/ Модель

Характеристики

Контекст
248 токенов
Лицензия
MIT
Архитектура
longclip · dense
Опубликована
20 авг 2025

LongCLIP-B

Классификация изображений без дообученияИзображение, текст → label6 профессий

LongCLIP-B — модель сопоставления изображений и длинных текстовых описаний для классификации без обучения и мультимодального поиска.

128скачиваний за 30 дней3лайкавеса обновлены3 янв 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

LongCLIP-B — модель семейства LongCLIP, представленная в репозитории creative-graphic-design. Она расширяет возможности CLIP для сопоставления изображений и текста: текстовый энкодер принимает до 248 токенов вместо 77 у исходного CLIP, что помогает учитывать подробные описания. Вариант Base использует 12-слойный текстовый энкодер размерности 512 и 12-слойный визуальный энкодер размерности 768; в README для него указано около 150 млн параметров. Веса размещены в формате safetensors.

Модель предназначена прежде всего для классификации изображений по текстовым описаниям без дополнительного обучения и для поиска соответствий между изображениями и длинными подписями. Её также можно использовать как основу для мультимодального поиска и оценки качества автоматических подписей; README упоминает интеграцию с генерацией изображений и визуальными вопросами, но не приводит подробностей реализации этих сценариев. Карточка заявляет прирост Recall@5 на задачах поиска по длинным подписям и на обычном поиске.

Модель связана с OpenAI CLIP и описана как совместимая замена CLIP в существующих сценариях. Лицензия — MIT. По карточке и метаданным основной язык — английский. В оценках и применении следует учитывать, что приведённые показатели относятся к retrieval-бенчмаркам, а поддержка визуальных вопросов и генерации не подтверждена отдельными данными в карточке.

Сценарии применения

  • классификация изображений по подробным текстовым описаниям
  • поиск изображений по длинным подписям
  • поиск текстовых описаний, соответствующих изображению
  • построение систем поиска изображений по содержанию
  • оценка качества автоматических подписей к изображениям

Ограничения

В README заявлены улучшения на задачах поиска по подписям, но не приведены подробности бенчмарков и условий оценки. Упомянутые сценарии визуальных вопросов и интеграции с генерацией изображений описаны без подтверждающих деталей.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LongCLIP: Unlocking the Long-Text Capability of CLIP

Paper Conference GitHub

Model Description

LongCLIP is an enhanced version of OpenAI's CLIP that extends the maximum input text length from 77 to 248 tokens, enabling better understanding of detailed, long-form text descriptions. This model maintains CLIP's zero-shot capabilities while significantly improving performance on long-caption retrieval tasks.

Key Features

  • 🔥 Extended Context Length: 248 tokens (3.2× longer than original CLIP)
  • 🔥 Strong Performance: +20% R@5 on long-caption retrieval, +6% on standard retrieval
  • 🔥 Plug-and-Play: Drop-in replacement for CLIP in existing workflows
  • 🔥 Two Model Sizes: Base (LongCLIP-B) and Large (LongCLIP-L)

Model Variants

ModelText EncoderVision EncoderParamsProjection Dim
LongCLIP-B12 layers, 512d12 layers, 768d~150M512
LongCLIP-L12 layers, 768d24 layers, 1024d~430M768

Uses

Direct Use

LongCLIP can be used for:

  • Zero-shot image classification with detailed text descriptions
  • Image-text retrieval with long, descriptive captions
  • Text-to-image generation (e.g., Stable Diffusion XL integration)
  • Visual question answering with complex queries

Downstream Use

LongCLIP serves as a backbone for:

  • Vision-language models requiring long text understanding
  • Multimodal retrieval systems
  • Content-based image search engines
  • Automated image captioning evaluation

How to Use

Installation

pip install "transformers[torch,torch-vision]"

Quick Start

from transformers import AutoModel, AutoProcessor
from PIL import Image
import torch

# Load model and processor
model = AutoModel.from_pretrained(
    "creative-graphic-design/LongCLIP-B",
    trust_remote_code=True
)
processor = AutoProcessor.from_pretrained(
    "creative-graphic-design/LongCLIP-B",
    trust_remote_code=True
)

# Prepare inputs
image = Image.open("your_image.jpg")
texts = [
    "A man is crossing the street with a red car parked nearby.",
    "A man is driving a car in an urban scene."
]

inputs = processor(
    text=texts,
    images=image,
    return_tensors="pt",
    max_length=248,
    padding="max_length"
)

# Get predictions
with torch.no_grad():
    outputs = model(**inputs)
    logits_per_image = outputs.logits_per_image
    probs = logits_per_image.softmax(dim=-1)

print("Probabilities:", probs)

Advanced Usage: Feature Extraction

# Extract features separately (unnormalized)
text_inputs = processor(text=texts, return_tensors="pt", max_length=248, padding="max_length")
image_inputs = processor(images=image, return_tensors="pt")

with torch.no_grad():
    text_features = model.get_text_features(**text_inputs)
    image_features = model.get_image_features(**image_inputs)

    # Compute similarity (like original CLIP)
    logits = image_features @ text_features.T
    probs = logits.softmax(dim=-1)

Comparison with Original CLIP

# Original CLIP: max 77 tokens
clip_text = "A cat"

# LongCLIP: up to 248 tokens
longclip_text = "A fluffy orange tabby cat with green eyes is sitting on a wooden table near a window, with sunlight streaming through the curtains in the background, creating a warm and cozy atmosphere in a modern living room."

# LongCLIP can handle both short and long texts effectively!

Citation

If you use LongCLIP in your research, please cite:

@inproceedings{zhang2024longclip,
  title={Long-CLIP: Unlocking the Long-Text Capability of CLIP},
  author={Zhang, Beichen and Zhang, Pan and Dong, Xiaoyi and Zang, Yuhang and Wang, Jiaqi},
  booktitle={European Conference on Computer Vision (ECCV)},
  year={2024}
}

License

This model is released under the MIT License, consistent with the original CLIP model.

Acknowledgments

  • OpenAI CLIP: Foundation model and architecture
  • Original Authors: Beichen Zhang, Pan Zhang, Xiaoyi Dong, Yuhang Zang, Jiaqi Wang

Model Card Contact

For questions and feedback, please open an issue on the GitHub repository.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · zero-shot-image-classification

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
LongCLIPModel
Ревизия весов
a97fee0

0 моделей