/ Модель

Характеристики

Лицензия
MIT
Библиотека
open_clip
Опубликована
21 сен 2026

sea-clip-tiny-abl-loss-crd

Классификация изображений без дообученияИзображение, текст → label

Компактная мультиязычная CLIP-модель для сопоставления изображений с текстом, поиска по изображениям и zero-shot классификации.

18скачиваний 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-loss-crd — экспериментальный вариант мультиязычной модели CLIP, опубликованный fassabilf как строка абляции для работы SEA-CLIP-Tiny (ACCV 2026). Модель использует архитектуру ViT-T/16 для изображений и 12-слойный текстовый энкодер шириной 384; размерность совместных эмбеддингов — 512, всего 46,11 млн параметров. Текстовый энкодер применяет CLIP BPE с контекстом 77 токенов. Чекпойнт обучен с контрастивной и контрастивной реляционной дистилляцией.

Модель предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений по текстовым меткам без дополнительного обучения. В карточке отмечена поддержка английского, индонезийского, яванского, сунданского, малайского, тайского, вьетнамского и бирманского языков. Для этой абляции приведены результаты retrieval R@1 на отдельных обучающих источниках, zero-shot ImageNet и средний retrieval-показатель по XM3600, Flickr30k-200 и XTD-200.

Сильная сторона модели — компактный мультиязычный CLIP-энкодер для поиска и классификации по текстовым запросам. Это экспериментальный чекпойнт абляции; качество зависит от языка, набора меток и изображений, а контекст текстового энкодера ограничен 77 токенами. Модель распространяется по лицензии MIT.

Сценарии применения

  • zero-shot классификация изображений по текстовым меткам
  • поиск изображений по запросу на естественном языке
  • поиск текстового описания для изображения
  • сопоставление изображений и подписей в мультиязычном наборе данных

Ограничения

Это экспериментальный вариант абляции, поэтому его результаты следует рассматривать в контексте указанных в карточке наборов и метрик. Текстовый контекст ограничен 77 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SEA-CLIP-Tiny — ablation: CLIP + CRD

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 distillation objective: contrastive + contrastive relational distillation only.

Usage

import open_clip

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

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
28.520.311.332.79.3

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
bf404dd

0 моделей