/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
perception-encoder
Опубликована
11 апр 2025

PE-Lang-G14-448

Эмбеддинги изображенийИзображение → embedding10 профессий

Визуальный энкодер Meta для извлечения признаков и подключения к языковому декодеру в задачах понимания изображений, OCR и анализа документов.

81скачиваний за 30 дней14лайковвеса обновлены30 апр 2025

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

Perception Encoder Language G14-448 — визуальный энкодер Meta из семейства Perception Encoder, обученный для мультимодальных языковых сценариев. Модель извлекает визуальные признаки и предназначена для подключения к языковому декодеру, например Llama или Qwen; в карточке приведены результаты связки с Llama 3.1 8B. Особенно хорошо энкодер показывает себя в задачах OCR и анализа документов, а также в визуальном поиске и понимании изображений и видео.

Чекпойнт G/14 с разрешением 448 пикселей использует контрастивное предварительное обучение и дополнительное выравнивание для языкового моделирования. В сравнении с L14-448 в описанном авторами тестировании с замороженным энкодером он показал более высокие результаты на DocVQA, InfoQA, TextVQA и ряде видеобенчмарков. Для практического применения как мультимодальной языковой модели нужен совместимый языковой декодер. Модель опубликована под лицензией Apache-2.0.

Сценарии применения

  • Извлечение визуальных признаков для последующих моделей
  • Ответы на вопросы по изображениям
  • Распознавание текста на изображениях и сканах
  • Ответы на вопросы по документам
  • Поиск изображений по текстовому запросу
  • Анализ визуального содержимого видео с языковым декодером

Ограничения

Для генерации языковых ответов энкодер требуется подключить к совместимому языковому декодеру. Указанные авторами результаты бенчмарков получены в конкретных настройках с разрешением 448 пикселей и не гарантируют аналогичное качество во всех сценариях.

Для каких профессий подходит10

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

[📃 Tech Report] [📂 Github]

Perception Encoder (PE) is a state-of-the-art encoder for image and video understanding trained via simple vision-language learning. It was introduced in "Perception Encoder: The best visual embeddings are not at the output of the network".

Model Developer: Meta

Model Overview: Perception Encoder (PE) is a family of large-scale vision encoder models with state-of-the-art performance on a large variety of vision tasks. By using a robust contrastive pretraining recipe and finetuning on synthetically aligned videos, PE not only outperforms all existing models on classification and retrieval, but it also internally produces strong, general features that scale for downstream tasks. PE unlocks the ability for large-scale contrastive pretraining to transfer to downstream tasks with alignment tuning to capitalize on those general features.

Perception Encoder: Language

PE lang takes the strong language performance from the intermediate layers of PE core and further aligns for language modeling following PLM. We specifically tuned PE lang to be versatile for any multimodal langugage modeling use case, including using different language model decoders (e.g., Llama / Qwen) and using different eval settings (e.g., native res / tiling). PE lang performs particularly well on OCR and document tasks.

We release two PE Lang checkpoints, L14-448 and G14-448. Here are their results our benchmark setting with frozen encoder with 2.6M SFT datamix, using 448px only (i.e., with no tiling) and Llama 3.1 8B as the decoder:

EncoderCheckpointDoc VQA (val)InfoQA (val)TextVQAMVBenchPerceptionTest (val)EgoSchema (val)
L/14 448pxPE-Lang-L14-44881.946.473.052.354.759.8
G/14 448pxPE-Lang-G14-44884.448.375.252.456.062.0

Here is a sample of the performance obtainable by using PE Core G aligned further with PLM-8B (stage 3) using 36+1 image tiles / 32 video frames with Llama 3.1 8B as the decoder:

ModelEncoderDoc VQA (test)InfoQA (test)TextVQAMVBenchPerceptionTest (test)EgoSchema (test)
PLM-8BPE-Core-G14-448*94.678.886.577.182.768.8

* The PE-Core-G14-448 checkpoint was further trained using tiling. We will release the tiling aligned checkpoint soon.

See the paper for full performance evaluations and fair comparisons to other models.

How to use

Model loading code

We provide the model loading code in https://github.com/facebookresearch/perception_models You can find more details in the GitHub repo.

Citation

If you find our code useful for your research, please consider citing:

@article{bolya2025PerceptionEncoder,
  title={Perception Encoder: The best visual embeddings are not at the output of the network},
  author={Daniel Bolya and Po-Yao Huang and Peize Sun and Jang Hyun Cho and Andrea Madotto and Chen Wei and Tengyu Ma and Jiale Zhi and Jathushan Rajasegaran and Hanoona Rasheed and Junke Wang and Marco Monteiro and Hu Xu and Shiyu Dong and Nikhila Ravi and Daniel Li and Piotr Doll{\'a}r and Christoph Feichtenhofer},
  journal={arXiv},
  year={2025}
}

@article{cho2025PerceptionLM,
  title={PerceptionLM: Open-Access Data and Models for Detailed Visual Understanding},
  author={Jang Hyun Cho and Andrea Madotto and Effrosyni Mavroudi and Triantafyllos Afouras and Tushar Nagarajan and Muhammad Maaz and Yale Song and Tengyu Ma and Shuming Hu and Hanoona Rasheed and Peize Sun and Po-Yao Huang and Daniel Bolya and Suyog Jain and Miguel Martin and Huiyu Wang and Nikhila Ravi and Shashank Jain and Temmy Stark and Shane Moon and Babak Damavandi and Vivian Lee and Andrew Westbury and Salman Khan and Philipp Kr\"{a}henb\"{u}hl and Piotr Doll{\'a}r and Lorenzo Torresani and Kristen Grauman and Christoph Feichtenhofer},
  journal={arXiv},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · perception-encoder · image-feature-extraction

Нельзя запустить

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

Ревизия весов
f60b27f

0 моделей