/ Модель

Характеристики

Параметры
3,9 млрд
Размер весов
11,8 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
vit · dense
Библиотека
transformers
Опубликована
22 апр 2025

webssl-mae3b-full2b-224

Эмбеддинги изображенийИзображение → embedding

Визуальный энкодер ViT на 3,9 млрд параметров для извлечения признаков изображений, обученный без языкового надзора на 2 млрд веб-изображений.

112скачиваний за 30 дней0лайковвеса 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-mae3b-full2b-224 — визуальный энкодер на основе ViT, разработанный командой Facebook и представленный в работе «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Модель содержит около 3,9 млрд параметров и обучена методом self-supervised Masked Autoencoder на 2 млрд веб-изображений из данных MetaCLIP без языкового надзора. Размер входного изображения — 224×224 пикселя; архитектура ViT имеет ширину 3072, глубину 26 слоёв и 24 головы внимания.

Модель предназначена для извлечения визуальных признаков и представлений изображений, которые можно использовать в задачах компьютерного зрения. В карточке отмечены сильные результаты в распознавании текста на изображениях и понимании диаграмм, а также конкурентные результаты на традиционных визуальных тестах. Модель принимает изображения и не рассчитана на языковое общение или генерацию текста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • извлечение признаков из изображений для компьютерного зрения
  • получение визуальных представлений для последующей классификации изображений
  • распознавание текста на изображениях
  • анализ диаграмм и графиков
  • создание визуальных признаков для исследовательских мультимодальных систем

Ограничения

Вход рассчитан на изображения с разрешением 224×224 пикселя; модель не обучалась на языковом надзоре и сама по себе не предназначена для генерации текста. Лицензия CC BY-NC 4.0 не допускает коммерческого использования.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Web-SSL MAE ViT-3B: 2B MetaCLIP data, 224 Resolution

A 3 billion parameter Vision Transformer (ViT) trained with Masked Autoencoder (MAE) 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 (3072 width, 26 depth, 24 heads)
  • Parameters: 3B
  • Resolution: 224×224 pixels
  • Training: Self-supervised Web-MAE on 2B image samples from MetaCLIP web data

Model Descriptions

Web-SSL MAE 3B is a 3 billion parameter Vision Transformer model trained using masked autoencoder self-supervised learning on 2 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. Web-MAE exhibits particularly strong performance on OCR & Chart understanding tasks while maintaining competitive performance across traditional vision benchmarks and multimodal tasks.

Usage

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

# Adjust the size, crop_size, etc. fields to your liking
processor = AutoImageProcessor.from_pretrained('facebook/webssl-mae3b-full2b-224')
model = ViTModel.from_pretrained('facebook/webssl-mae3b-full2b-224').cuda().eval()

# Process an image
image = Image.open('path/to/image.jpg')
inputs = processor(images=image, return_tensors="pt").to('cuda')
with torch.no_grad():
    outputs = model(**inputs)

# Extract features from the encoder
encoder_hidden_states = outputs.last_hidden_state

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
ViTModel
Ревизия весов
a73c7f2

0 моделей