/ Модель

Характеристики

Лицензия
MIT
Библиотека
open_clip
Опубликована
21 сен 2026

sea-clip-tiny-abl-loss-mse

Классификация изображений без дообученияИзображение, текст → label

Экспериментальная мультиязычная модель CLIP для классификации изображений по текстовым описаниям и поиска соответствий между изображениями и текстом, ориентированная на языки Юго-Восточной Азии.

17скачиваний 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 ablation — мультиязычная модель семейства CLIP, разработанная для сопоставления изображений и текстовых описаний и классификации изображений по текстовым меткам без отдельного обучения на этих классах. Это экспериментальный вариант из абляционного исследования SEA-CLIP-Tiny для сценариев с языками Юго-Восточной Азии.

Модель использует визуальный энкодер ViT-T/16 и 12-слойный текстовый энкодер шириной 384; размерность совместного представления — 512, всего 46,11 млн параметров. Токенизатор CLIP BPE имеет контекст 77 токенов. Вариант отличается от основной модели целью дистилляции: используются контрастивное обучение и дистилляция признаков с MSE. В карточке приведены результаты retrieval и zero-shot ImageNet, включая точность 31,3% на ImageNet; эти значения указывают на экспериментальный характер чекпойнта и не гарантируют качество в других условиях.

Репозиторий предназначен для использования с библиотекой open_clip и распространяется по лицензии MIT. Метаданные перечисляют английский, индонезийский, яванский, сунданский, малайский, тайский, вьетнамский и бирманский; в карточке также отмечены английский, индонезийский, тайский и вьетнамский.

Сценарии применения

  • Классификация изображений по текстовым категориям без дообучения
  • Поиск изображений по запросу на поддерживаемом языке
  • Поиск текстовых описаний, соответствующих изображению
  • Оценка сходства изображения и подписи для мультиязычного retrieval

Ограничения

Это абляционный экспериментальный чекпойнт; приведённая точность zero-shot ImageNet составляет 31,3%, а результаты на других данных могут отличаться. 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 + MSE

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 + feature-distillation (MSE) only.

Usage

import open_clip

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

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
39.526.811.331.37.2

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
68d3f78

0 моделей