/ Модель

Характеристики

Лицензия
MIT
Библиотека
open_clip
Опубликована
21 сен 2026

sea-clip-tiny-abl-cc12m

Классификация изображений без дообученияИзображение, текст → label3 профессии

Экспериментальная мультиязычная модель CLIP для классификации изображений по текстовым меткам и поиска соответствий между изображениями и описаниями.

20скачиваний 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-abl-cc12m — экспериментальный вариант мультиязычной модели CLIP от автора репозитория fassabilf, представленный как одна из строк абляционного исследования SEA-CLIP-Tiny (ACCV 2026). Модель обучена только на CC12M; архитектура и гиперпараметры совпадают с основной моделью. Она предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения на целевых классах.

Модель использует визуальный энкодер ViT-T/16 и 12-слойный текстовый энкодер шириной 384, общий размер эмбеддинга — 512; всего 46,11 млн параметров. Контекст токенизатора CLIP BPE — 77 токенов. Поддерживаются английский и ряд языков Юго-Восточной Азии. В приведённых результатах zero-shot точность на ImageNet составляет 40,0%, а средний R@1 на трёх наборах для межъязыкового поиска — 1,1%; это указывает на ограниченную эффективность в указанных тестах. Лицензия — MIT.

Сценарии применения

  • классификация изображений по текстовым категориям без дообучения
  • поиск изображений по текстовому запросу
  • поиск текстовых описаний для изображения
  • оценка соответствия изображения и подписи
  • исследование влияния обучающей выборки CC12M на мультиязычный CLIP

Ограничения

В приведённых результатах точность на ImageNet составляет 40,0%, а средний R@1 на указанных наборах для поиска — 1,1%; качество зависит от тестового набора и языка. 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 CC12M

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-cc12m')
tokenizer = open_clip.get_tokenizer('hf-hub:fassabilf/sea-clip-tiny-abl-cc12m')

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 (10.97M 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
0.11.91.240.01.1

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
9eb63cb

0 моделей