/ Модель

Характеристики

Лицензия
MIT
Библиотека
open_clip
Опубликована
21 сен 2026

sea-clip-tiny-abl-wit

Классификация изображений без дообученияИзображение, текст → label4 профессии

Экспериментальный мультиязычный CLIP-чекпойнт, обученный только на WIT, для сопоставления изображений с текстом и zero-shot-классификации.

22скачиваний 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-wit — экспериментальный вариант мультиязычной модели CLIP от автора fassabilf, опубликованный как строка абляции исследования SEA-CLIP-Tiny для ACCV 2026. Это модель сопоставления изображений и текста для классификации изображений по текстовым меткам без отдельного обучения на этих метках, а также для поиска изображений по описанию и описаний по изображению.

Модель использует визуальный энкодер ViT-T/16 и 12-слойный текстовый энкодер шириной 384; размерность эмбеддингов — 512, всего 46,11 млн параметров. Токенизатор CLIP BPE имеет словарь из 49 408 токенов и контекст 77 токенов. Чекпойнт обучен только на данных WIT; в README указаны результаты retrieval R@1: 27,7 на WIT и низкая точность zero-shot ImageNet — 1,3%. Поддерживаются английский и ряд языков Юго-Восточной Азии, включая индонезийский, яванский, сунданский, малайский, тайский, вьетнамский и бирманский. Репозиторий использует open_clip и формат PyTorch, лицензия MIT.

Сценарии применения

  • классификация изображений по текстовым меткам без дообучения
  • поиск изображений по запросу на английском или языке Юго-Восточной Азии
  • поиск текстовых описаний, соответствующих изображению
  • измерение сходства между изображением и подписью

Ограничения

Это экспериментальная абляция, обученная только на WIT; в README приведена низкая точность zero-shot ImageNet — 1,3%, поэтому качество может быть ограниченным вне обучающего источника. Контекст текстового энкодера ограничен 77 токенами.

Для каких профессий подходит4

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 WIT

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

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 dataWIT (487K 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
0.227.72.21.30.8

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
edbc56a

0 моделей