/ Модель

Характеристики

Параметры
8,6 млрд
Размер весов
25,8 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
dinov2 · dense
Библиотека
transformers
Опубликована
14 апр 2025

webssl-dino7b-full8b-518

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер DINOv2 на 8,6 млрд параметров извлекает признаки изображений для задач компьютерного зрения.

307скачиваний за 30 дней12лайковвеса обновлены24 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

facebook/webssl-dino7b-full8b-518 — визуальный энкодер семейства DINOv2, разработанный Meta и представленный в работе «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Это Vision Transformer с шириной 4096, глубиной 32 и 32 головами внимания, содержащий 8,6 млрд параметров по метаданным. Модель обучена методом самообучения на 8 млрд веб-изображений из данных MetaCLIP без языковой супервизии; рассчитана на изображения размером 518×518 пикселей.

Основное назначение — извлечение визуальных признаков для последующего использования в задачах компьютерного зрения. В README также отмечены результаты на традиционных визуальных тестах и потенциал для мультимодальных задач, включая визуальные вопросы и распознавание текста и диаграмм; при этом сама модель классифицирована как экстрактор признаков изображений, а не как генеративная VLM. Метаданные указывают формат safetensors и лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование.

Сценарии применения

  • извлечение признаков из изображений для компьютерного зрения
  • создание визуальных представлений для поиска похожих изображений
  • подготовка признаков изображений для downstream-классификатора
  • исследование самообучаемых визуальных представлений
  • анализ изображений высокого разрешения

Ограничения

Модель принимает изображения с разрешением 518×518 и не обучалась на языковой супервизии, поэтому её не следует считать самостоятельной разговорной или текстогенерирующей VLM. Лицензия CC BY-NC 4.0 не допускает коммерческое использование.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Web-SSL DINO ViT-7B: 8B MetaCLIP data, 518 Resolution

A 7 billion parameter Vision Transformer (ViT) trained with DINOv2 self-supervised learning on web-scale image data without language supervision. Introduced in "Scaling Language-Free Visual Representation Learning" (Fan et al., 2025).

Model Details

  • Architecture: ViT (4096 width, 32 depth, 32 heads)
  • Parameters: 7B
  • Resolution: 518×518 pixels
  • Training: Self-supervised Web-DINO on 8B image samples from MetaCLIP web data

Model Descriptions

Web-SSL DINO 7B is a 7 billion parameter Vision Transformer model trained using self-supervised learning on 8 billion web images without language supervision. This model demonstrates that pure visual learning, when scaled appropriately, can match or exceed the performance of language-supervised models like CLIP across various vision tasks. It excels in both traditional vision benchmarks and multimodal tasks including visual question answering and OCR & chart understanding.

Usage

from transformers import AutoImageProcessor, Dinov2Model
import torch
from PIL import Image

processor = AutoImageProcessor.from_pretrained('facebook/webssl-dino7b-full8b-518')
model = Dinov2Model.from_pretrained('facebook/webssl-dino7b-full8b-518')

# Process an image
image = Image.open('path/to/image.jpg')
inputs = processor(images=image, return_tensors="pt")
with torch.no_grad():
    outputs = model(**inputs)
cls_features = outputs.last_hidden_state[:, 0]  # CLS token features
patch_features = outputs.last_hidden_state[:, 1:] # patch-wise token features

Citation

@article{fan2025scaling,
  title={Scaling Language-Free Visual Representation Learning}, 
  author={David Fan and Shengbang Tong and Jiachen Zhu and Koustuv Sinha and Zhuang Liu and Xinlei Chen and Michael Rabbat and Nicolas Ballas and Yann LeCun and Amir Bar and Saining Xie},
  year={2025},
  eprint={2504.01017},
  archivePrefix={arXiv},
  primaryClass={cs.CV}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
Dinov2Model
Ревизия весов
aee350d

0 моделей