/ Модель

Характеристики

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

MoEViE-L16-384

Классификация изображений без дообученияИзображение, текст → label5 профессий

Визуальный энкодер Meta на базе Mixture-of-Experts для классификации изображений без примеров классов и сопоставления изображений с текстом.

24скачиваний за 30 дней4лайкавеса 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-L16-384 — визуальный энкодер Meta из семейства MoE-ViE, предназначенный для понимания изображений и видео. Модель использует контрастивное обучение на визуально-языковых данных и архитектуру Mixture-of-Experts: каждый MoE-блок содержит общего эксперта и пул маршрутизируемых экспертов, а для каждого токена активируется лишь часть параметров.

Этот вариант имеет архитектуру L/16: ширина 1024, 24 слоя, разрешение изображений 384 пикселя, 1,7 млрд параметров всего и около 0,3 млрд активных параметров. Он подходит для классификации изображений без примеров целевых классов, а также для сопоставления изображений с текстом и поиска по визуально-текстовым представлениям. В карточке приведены нулевые результаты на ImageNet-1k, ObjectNet и задачах поиска по COCO, Kinetics-400 и MSR-VTT.

Для запуска требуются CUDA GPU и Triton; ядра MoE компилируются во время выполнения. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Сценарии применения

  • классификация изображений по текстовым описаниям классов без размеченных примеров
  • поиск изображений по текстовому запросу
  • поиск текстовых описаний, соответствующих изображению
  • нулевая классификация кадров видео по текстовым меткам

Ограничения

Для запуска требуется CUDA GPU, а MoE-ядра Triton компилируются во время выполнения. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

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

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-L16-384 — L/16 at 384px.

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-L16-384",
    pretrained=True,   # downloads from the Hub
    force_preprocess_cfg=dict(
        patch_size=16, size_range=(384, 384), center_crop=True, window_size=1
    ),
    image_mean=MEAN, image_std=STD,
)
model = model.cuda().eval()
tokenizer = get_tokenizer("MoEViE-L16-384")

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
ace88fc

0 моделей