/ Модель

Характеристики

Параметры
839 млн
Лицензия
CC BY-NC 4.0
Архитектура
vit · dense
Библиотека
transformers
Опубликована
22 апр 2025

webssl-mae700m-full2b-224

Эмбеддинги изображенийИзображение → embedding

Крупный визуальный энкодер ViT-H, обученный без языковой супервизии для извлечения признаков изображений и решения задач компьютерного зрения.

130скачиваний 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

Web-SSL MAE ViT-H — модель компьютерного зрения с архитектурой Vision Transformer Huge примерно на 700 млн параметров, представленная авторами работы «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Она обучена методом masked autoencoder на 2 млрд веб-изображений из данных MetaCLIP без языковой супервизии и предназначена для извлечения визуальных признаков при разрешении 224×224 пикселя.

Модель можно использовать как визуальный энкодер для задач компьютерного зрения и мультимодальных сценариев. В README отмечены сильные результаты в распознавании текста на изображениях и понимании диаграмм, а также конкурентные результаты на традиционных визуальных бенчмарках. Метаданные указывают библиотеку Transformers и формат весов safetensors. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • извлечение признаков из изображений
  • распознавание текста на изображениях
  • понимание диаграмм и графиков
  • получение визуальных представлений для мультимодальных задач

Ограничения

Веса рассчитаны на изображения с разрешением 224×224 пикселя. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Web-SSL MAE ViT-H (700M): 2B MetaCLIP data, 224 Resolution

A 700 million parameter Vision Transformer (ViT-H) 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-H (Huge)
  • Parameters: 700M
  • Resolution: 224×224 pixels
  • Training: Self-supervised Web-MAE on 2B image samples from MetaCLIP web data

Model Descriptions

Web-SSL MAE ViT-H is a 700 million 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-mae700m-full2b-224')
model = ViTModel.from_pretrained('facebook/webssl-mae700m-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
c32be38

0 моделей