/ Модель

Характеристики

Лицензия
MIT
Библиотека
open_clip
Опубликована
21 сен 2026

sea-clip-tiny-abl-bloom

Классификация изображений без дообученияИзображение, текст → label3 профессии

Экспериментальная мультиязычная CLIP-модель для классификации изображений без обучения и сопоставления изображений с текстом на языках Юго-Восточной Азии.

19скачиваний 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

fassabilf/sea-clip-tiny-abl-bloom — экспериментальная абляционная версия SEA-CLIP-Tiny, разработанная для исследования влияния обучающих данных Bloom на мультиязычную модель сопоставления изображений и текста. Это модель CLIP с визуальной башней ViT-T/16 и 12-слойной текстовой башней шириной 384; размерность эмбеддингов — 512, всего 46,11 млн параметров. Она принимает изображения и текстовые описания и предназначена для классификации изображений без дополнительного обучения, а также для поиска соответствий между изображениями и текстом. Текстовый токенизатор CLIP BPE имеет контекст 77 токенов.

Модель связана с языками Юго-Восточной Азии: английским, индонезийским, яванским, сунданским, малайским, тайским, вьетнамским и бирманским. В абляционном эксперименте показаны результаты на обучающих источниках и ImageNet, однако приведённые значения низкие, поэтому качество для практических задач по этой карточке не подтверждается. Репозиторий предоставляет веса PyTorch для использования через open_clip и распространяется по лицензии MIT.

Сценарии применения

  • классификация изображений по текстовым описаниям без дообучения
  • поиск изображений по запросу на языке Юго-Восточной Азии
  • сопоставление изображений с подписями на поддерживаемых языках

Ограничения

Результаты абляции в карточке крайне низкие: указаны 0,1% для ImageNet и 0,1% для среднего R@1; практическое качество не подтверждено. Контекст текстового энкодера ограничен 77 токенами.

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

SEA-CLIP-Tiny — ablation: Only Bloom

One row of the ablation table of SEA-CLIP-Tiny (ACCV 2026). Same architecture, pipeline and hyperparameters as the main model; the difference is the training mixture.

Usage

import open_clip

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

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 dataBloom (21K 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
0.00.01.00.10.1

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
64ca472

0 моделей