/ Модель

Характеристики

Лицензия
MIT
Библиотека
open_clip
Опубликована
21 сен 2026

sea-clip-tiny

Классификация изображений без дообученияИзображение, текст → label8 профессий

Компактная мультиязычная CLIP-модель для поиска изображений по тексту и классификации изображений без примеров на английском и семи языках Юго-Восточной Азии.

49скачиваний за 30 дней0лайковвеса обновлены21 сен 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

SEA-CLIP-Tiny — компактная мультиязычная модель совместного представления текста и изображений, созданная авторами репозитория и дистиллированная из MetaCLIP2-ViT-B-16-worldwide. Она предназначена для поиска изображений по текстовому запросу и классификации изображений без дообучения на заданных классах. Модель содержит 46,11 млн параметров: визуальный энкодер ViT-T/16 и 12-слойный текстовый энкодер шириной 384 с размерностью эмбеддингов 512. Использует токенизатор CLIP BPE с контекстом 77 токенов и библиотеку open_clip.

Модель поддерживает английский и семь языков Юго-Восточной Азии: индонезийский, яванский, сунданский, малайский, тайский, вьетнамский и бирманский. В README сообщается о лучших средних показателях retrieval R@1/R@5/R@10 среди компактных моделей, сравнивавшихся в статье, и о меньшей задержке на CPU по сравнению с MobileCLIP2. Лицензия — MIT. Модель выдаёт совместимые векторы текста и изображений, а результаты классификации зависят от формулировки текстовых меток и качества соответствия обучающим данным.

Сценарии применения

  • поиск изображений по запросу на индонезийском языке
  • поиск фотографий по тексту на тайском или вьетнамском
  • поиск изображений по запросу на английском языке
  • классификация изображений по заданным текстовым меткам без дообучения
  • сопоставление текстовых описаний с изображениями для мультиязычного поиска

Ограничения

Контекст текстового энкодера ограничен 77 токенами; для языков, кроме английского и семи перечисленных языков Юго-Восточной Азии, поддержка не заявлена. Показатели retrieval и ImageNet в README не гарантируют качество для конкретного набора данных или формулировок меток.

Для каких профессий подходит8

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

SEA-CLIP-Tiny

A 46.11M-parameter multilingual text-vision embedding model for English and seven Southeast Asian languages (Indonesian, Javanese, Sundanese, Malay, Thai, Vietnamese, Burmese), distilled from MetaCLIP2-ViT-B-16-worldwide.

Across the seven SEA languages it reaches 12.9 / 31.5 / 42.2 average R@1 / R@5 / R@10 — the strongest average among the compact students evaluated in the paper — improving average R@10 over MobileCLIP2 by 12.1 points with 38.4% fewer parameters and lower CPU latency.

Usage

import open_clip

model, _, preprocess = open_clip.create_model_and_transforms('hf-hub:fassabilf/sea-clip-tiny')
tokenizer = open_clip.get_tokenizer('hf-hub:fassabilf/sea-clip-tiny')

Model

ArchitectureViT-T/16 vision tower + 12-layer / 384-wide text tower, embed dim 512
TokenizerCLIP BPE, vocab 49408, context length 77
Parameters46.11M (5.62M vision + 40.49M text)
Training dataCC12M + CulturalGround-OE-filt + WIT + Bloom + Mammoth-VL-SEA (12.72M pairs)
TeacherMetaCLIP2-ViT-B-16-worldwide

Results

Retrieval R@1 on the held-out splits of each training source, zero-shot ImageNet accuracy, and the paper's retrieval-only Avg@1 over XM3600, Flickr30k-200 and XTD-200 (%).

CG R@1WIT R@1Bloom R@1ImageNetR@1-Avg
29.321.823.336.413.9

Reproduce

Training and evaluation code: https://github.com/fassabilf/sea-clip-tiny. The exact training configuration of this checkpoint is in params.txt in this repo.

Citation

@inproceedings{seacliptiny2026,
  title     = {SEA-CLIP-Tiny: Efficient Multilingual Text-Vision Embedding for Southeast Asian Languages},
  booktitle = {Asian Conference on Computer Vision (ACCV)},
  year      = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · open_clip

Нельзя запустить

Модели OpenCLIP требуют отдельного рантайма.

Ревизия весов
0d9b936

0 моделей