/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
siglip · dense
Библиотека
rlx
Опубликована
23 июл 2026

siglip2-base-224

Классификация изображений без дообученияИзображение, текст → label5 профессий

SigLIP 2 Base — модель Google для классификации изображений по текстовым меткам без отдельного обучения на заданном наборе классов.

100скачиваний за 30 дней0лайковвеса обновлены24 июл 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

Это базовая модель SigLIP 2 Base с патчами 16×16 и входным разрешением 224 пикселя, опубликованная в репозитории eugenehp как промежуточная копия исходного чекпойнта Google для запуска в RLX. Она сопоставляет изображение с текстовыми метками и подходит для классификации изображений по произвольным описаниям без отдельного обучения на заданных классах. В README приведён пример выбора между метками «кошка» и «собака» для фотографии.

Модель принимает изображения и текстовые метки, а результатом служат оценки соответствия изображения каждому текстовому описанию. В репозитории доступны веса Safetensors и вариант GGUF в формате F16; указанная библиотека — RLX. Репозиторий распространяется по лицензии Apache-2.0. README называет его staging-копией и рекомендует обращаться к исходному чекпойнту, когда нужен именно upstream-вариант; также эти файлы не предназначены как основной runtime-пакет RLX.

Сценарии применения

  • классификация фотографии по произвольным текстовым меткам
  • сопоставление изображения с набором описаний
  • поиск подходящего изображения по короткому текстовому запросу

Ограничения

Модель рассчитана на фиксированное разрешение 224 пикселя. Репозиторий обозначен как staging-копия, а его файлы не рекомендуются в качестве основного runtime-пакета RLX.

Для каких профессий подходит5

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

SigLIP 2 Base patch16-224 (RLX staging)

Google SigLIP 2 fixed-resolution base checkpoint for RLX.

FieldValue
Hub ideugenehp/siglip2-base-224
KindStaging redistrib of an upstream checkpoint for RLX runners.
RLX craterlx-siglip2
Upstreamhttps://huggingface.co/google/siglip2-base-patch16-224

Quick start

hf download eugenehp/siglip2-base-224 --local-dir .
cargo run -p rlx-siglip2 --release -- --model-dir . --image photo.jpg --labels "a cat, a dog"

File highlights

  • model.safetensors (1.4 GiB)
  • siglip2-base-224.f16.gguf (715.6 MiB)
  • tokenizer.json (32.8 MiB)
  • tokenizer.model (4.0 MiB)
  • fixture/reference.json (3.0 MiB)
  • tokenizer_config.json (46.1 KiB)
  • special_tokens_map.json (636 B)
  • preprocessor_config.json (394 B)
  • config.json (253 B)

Do not use as the main runtime pack

These files may be present for historical / staging reasons but are not the supported RLX load path:

  • siglip2-base-224.f16.gguf

Community *.f16.gguf / LM-only Q4 packs are format wraps — they are not drop-in replacements for the RLX primary file above.

Run with RLX

Clone rlx-models, place this repo under weights/vision/siglip2-base-224 (or pass the path explicitly), then:

cargo run -p rlx-siglip2 --release -- --model-dir . --image photo.jpg --labels "a cat, a dog"

License

Apache License 2.0 — see LICENSE. Inherit upstream terms when redistributing.

Original weights and authorship: https://huggingface.co/google/siglip2-base-patch16-224

Redistrib note

This Hub repo exists so RLX recipes have a stable fetch target. When you only need the upstream checkpoint, prefer the Upstream link above.

Как запустить

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

GPU в ailist

Универсальный рантайм · rlx · zero-shot-image-classification

Можно запустить

Подбираем GPU…

Ревизия весов
f4c1948

0 моделей