/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
moe_vie
Опубликована
12 авг 2026

MoEViE-H14-448

Классификация изображений без дообученияИзображение, текст → label6 профессий

Визуальный MoE-энкодер Meta для классификации изображений по текстовым меткам без дообучения и извлечения признаков для поиска.

22скачиваний за 30 дней7лайковвеса обновлены19 авг 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

MoEViE-H14-448 — визуальный энкодер Meta из семейства MoE-ViE, обученный по контрастивной методике на парах изображение–текст. Модель построена на архитектуре Mixture-of-Experts: каждый MoE-блок содержит общего эксперта и маршрутизируемый пул экспертов, из которого для каждого токена активируется часть. Версия H/14 имеет ширину 1280, 32 слоя, разрешение 448 пикселей и 3,5 млрд параметров, из которых активируется около 1,1 млрд.

Модель предназначена для классификации изображений без дообучения на заданных текстовых метках, а также для извлечения визуальных и текстовых признаков и задач поиска по изображениям и видео. В README приведены результаты zero-shot оценки на ImageNet-1k, ObjectNet, COCO, Kinetics-400 и MSR-VTT. Для работы требуются CUDA GPU и Triton; лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

Сценарии применения

  • классификация изображений по произвольным текстовым категориям
  • поиск изображений по текстовому запросу
  • поиск видео по текстовому описанию
  • извлечение признаков изображений для сравнения и поиска
  • оценка визуальных моделей на наборах данных

Ограничения

Для запуска требуется CUDA GPU и поддержка MoE-ядер Triton, компилируемых во время выполнения. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями.

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

Model Details

[📃 Paper] [📂 GitHub]

MoE-ViE is a family of Mixture-of-Experts vision encoders for image and video understanding, trained with a contrastive vision-language recipe. Each MoE block keeps a shared always-on expert alongside a routed pool, so only a small fraction of the weights is used for any given token.

Model Developer: Meta

This checkpoint: MoEViE-H14-448 — H/14 at 448px.

Model Configurations

MoE-ViE comes in three sizes. Only active experts run per token, so the activated parameter count is far below the total.

ScaleWidthDepthExperts (active/total)Total paramsActivated paramsResolution
B/16768124 / 320.5B0.1B224px
L/161024244 / 321.7B0.3B384px
H/141280328 / 323.5B1.1B448px

Every MoE block has 1 shared expert that is always active plus a routed pool; the active/total column counts the shared expert. Routing is per-token top-k on a sigmoid gate.

Model Performance

Zero-shot results. Top-1 accuracy (%) for classification, recall@1 (%) for retrieval.

ModelCheckpointIN-1kObjectNetCOCO-T2IKinetics-400MSR-VTT-T2V
B/16 224pxMoEViE-B16-22479.374.452.168.347.9
L/16 384pxMoEViE-L16-38483.685.057.274.550.5
H/14 448pxMoEViE-H14-44885.187.056.876.951.6

How to use

Install

git clone https://github.com/facebookresearch/moe_vie
cd moe_vie
pip install -r requirements.txt

Requires a CUDA GPU — the Mixture-of-Experts kernels are compiled with Triton at runtime.

Image and text feature extraction

import torch
from PIL import Image
from open_clip import create_model_and_transforms, get_tokenizer, image_to_device

MEAN, STD = (0.5, 0.5, 0.5), (0.5, 0.5, 0.5)

model, _, preprocess = create_model_and_transforms(
    "MoEViE-H14-448",
    pretrained=True,   # downloads from the Hub
    force_preprocess_cfg=dict(
        patch_size=14, size_range=(448, 448), center_crop=True, window_size=1
    ),
    image_mean=MEAN, image_std=STD,
)
model = model.cuda().eval()
tokenizer = get_tokenizer("MoEViE-H14-448")

labels = ["a diagram", "a dog", "a cat"]
packed, _ = preprocess.collate_fn([(preprocess(Image.open("cat.png").convert("RGB")), 0)])
packed = image_to_device(packed, "cuda", torch.float32, mean=MEAN, std=STD)
text = tokenizer(labels).cuda()

with torch.no_grad(), torch.autocast("cuda"):
    image_features = model.encode_image(packed, normalize=True)
    text_features = model.encode_text(text, normalize=True)
    probs = (model.logit_scale.exp() * image_features @ text_features.T).softmax(dim=-1)

print("Label probs:", probs)

See demo/demo.py and the repository README for the zero-shot evaluation suite.

License

Released under CC BY-NC 4.0 — non-commercial research use.

Citation

If you find this work useful, please cite:

@article{zhang2026moevie,
  title={MoE-ViE: Mixture of Experts Vision Encoder for Efficient Image and Video Understanding},
  author={Bonan Zhang and Shiyu Dong and Quan Hung Tran and Katharina Gschwind and Shuqi Yang and Sijia Chen and Adel Ahmadyan and Seungwhan Moon and Lu Zhang and Ahmed Kirmani and Babak Damavandi and Anuj Kumar},
  journal={arXiv preprint arXiv:2608.17402},
  year={2026}
}

Как запустить

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

GPU в ailist

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

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
9c5a613

0 моделей