/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
5,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Библиотека
transformers
Опубликована
2 фев 2026

ObjEmbed-2B

Эмбеддинги изображенийИзображение → embedding3 профессии

Мультимодальная модель эмбеддингов для сопоставления текстовых описаний с объектами и целыми изображениями.

227скачиваний за 30 дней1лайквеса обновлены5 фев 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

ObjEmbed-2B — мультимодальная модель эмбеддингов на основе семейства Qwen3-VL, предназначенная для сопоставления областей изображения с текстовыми описаниями. Она формирует отдельные представления объектов и всего изображения за один проход: объектные эмбеддинги кодируют семантическое сходство, а IoU-эмбеддинги оценивают качество локализации.

Модель подходит для визуального поиска по отдельным объектам и целым изображениям, а также для визуального заземления текста на области изображения. Карточка не сообщает размер модели и поддерживаемые языки. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Сценарии применения

  • поиск объектов на изображениях по текстовому описанию
  • поиск похожих областей изображения
  • поиск изображений по визуальному содержимому
  • визуальное заземление текста на области изображения

Ограничения

Карточка не приводит оценок качества или описания ограничений применимости; для локализации качество оценивается отдельным IoU-эмбеддингом.

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

ObjEmbed: Towards Universal Multimodal Object Embeddings

ObjEmbed is a multimodal embedding model designed to align specific image regions (objects) with textual descriptions. Unlike global embedding models, ObjEmbed decomposes an image into multiple regional embeddings along with global embeddings, supporting tasks such as visual grounding, local image retrieval, and global image retrieval.

Key Features

  • Object-Oriented Representation: It captures both semantic and spatial aspects of objects by generating two complementary embeddings for each region: an object embedding for semantic matching and an IoU embedding that predicts localization quality.
  • Versatility: It seamlessly handles both region-level and image-level tasks.
  • Efficient Encoding: All objects in an image, along with the full image, are encoded in a single forward pass for high efficiency.

Resources

Citation

If you find ObjEmbed helpful for your research, please consider citing:

@article{fu2026objembed,
  title={ObjEmbed: Towards Universal Multimodal Object Embeddings},
  author={Fu, Shenghao and Su, Yukun and Rao, Fengyun and LYU, Jing and Xie, Xiaohua and Zheng, Wei-Shi},
  journal={arXiv preprint arXiv:2602.01753},
  year={2026}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
WeDetectEmbedding
Ревизия весов
0e8aafe

0 моделей