/ Модель

Характеристики

Контекст
64 токена
Лицензия
Apache 2.0
Архитектура
tipsv2 · dense
Библиотека
transformers
Опубликована
19 авг 2026

tipsv1-s14

Классификация изображений без дообученияИзображение, текст → label8 профессий

TIPS S/14 — контрастивная модель изображение–текст для извлечения признаков и классификации изображений по текстовым описаниям без дообучения.

215скачиваний за 30 дней2лайкавеса обновлены19 авг 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

TIPS S/14 (v1) — контрастивная модель «изображение–текст» семейства TIPS, представленная в карточке как конверсия официальных чекпойнтов. Модель сочетает визуальный энкодер ViT-S/14 на 22 млн параметров и 12-слойный текстовый трансформер на 34 млн параметров; размерность эмбеддингов — 384. Она создаёт пространственно информативные признаки изображений, согласованные с текстовыми эмбеддингами.

Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, а также для извлечения и сопоставления визуальных и текстовых признаков. Штатное разрешение изображений — 448 пикселей; поддерживаются другие разрешения, кратные размеру патча, с интерполяцией позиционных эмбеддингов. Изображения подаются в диапазоне [0, 1] без нормализации ImageNet; текст обрабатывается токенизатором SentencePiece в нижнем регистре, максимум 64 токена.

Визуальная башня обучалась с двумя CLS-токенами: первый согласован с текстовой башней, второй обучался на синтетических подписях. Модель опубликована под лицензией Apache-2.0. Языковой охват в карточке не уточнён.

Сценарии применения

  • классификация изображений по заданным текстовым категориям
  • поиск изображений по текстовым описаниям
  • сопоставление изображений и подписей
  • извлечение визуальных признаков с пространственной информацией

Ограничения

Текстовый ввод ограничен максимумом в 64 токена, а штатное разрешение изображений составляет 448 пикселей. Языковая поддержка в карточке не описана.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TIPS — S/14 (v1)

TIPS (Text-Image Pre-training with Spatial awareness, ICLR 2025) is a family of contrastive vision-language models that produce spatially rich image features aligned with text embeddings. This is the original (v1) S/14 release with 22M vision params and 34M text params, converted from the official checkpoints.

VariantVision paramsText paramsEmbed dimResolution
S/1422M34M384448
B/1486M110M768448
L/14304M184M1024448
So400m/14413M448M1152448
g/141.1B389M1536448
g/14 low-res1.1B389M1536224

Usage

pip install transformers torch torchvision sentencepiece scikit-learn requests

Load the model

from transformers import AutoModel

model = AutoModel.from_pretrained("google/tipsv1-s14", trust_remote_code=True)
model.eval()

Encode images

Images should be tensors in [0, 1] range (just ToTensor(), no ImageNet normalization).

import requests
from PIL import Image
from torchvision import transforms

url = "https://huggingface.co/spaces/google/TIPSv2/resolve/main/examples/zeroseg/pascal_context_00049_image.png"
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")
transform = transforms.Compose([transforms.Resize((448, 448)), transforms.ToTensor()])
pixel_values = transform(image).unsqueeze(0)

out = model.encode_image(pixel_values)
print(out.cls_token.shape)     # (1, 1, 384) — global image embedding
print(out.patch_tokens.shape)  # (1, 1024, 384) — per-patch spatial features

The second CLS token (out.register_tokens) was trained on synthetic captions; the first (out.cls_token) on web alt-text, and is the one aligned with the text tower.

Encode text

text_emb = model.encode_text(["a photo of a bus", "a photo of a dog"])
print(text_emb.shape)  # (2, 384) — one embedding per query

Zero-shot classification

import torch.nn.functional as F

classes = ["bus", "car", "dog", "cat"]
cls = F.normalize(out.cls_token[:, 0, :], dim=-1)
text_emb = F.normalize(model.encode_text(classes), dim=-1)
similarity = cls @ text_emb.T
print(classes[similarity.argmax()])  # predicted class

Visualize spatial features

import numpy as np
from sklearn.decomposition import PCA

feat = out.patch_tokens[0].detach().cpu().numpy()
rgb = PCA(n_components=3, whiten=True).fit_transform(feat).reshape(32, 32, 3)
rgb = 1 / (1 + np.exp(-2.0 * rgb))  # sigmoid for [0, 1] range with good contrast

Model details

  • ViT-S/14 vision encoder (12 layers, patch size 14, two CLS tokens) + 12-layer transformer text encoder
  • Native resolution 448; other patch-multiple resolutions work via positional-embedding interpolation
  • Preprocessing: images to [0, 1], no normalization; SentencePiece tokenizer, lowercased, max 64 tokens

License

Apache 2.0

Citation

@inproceedings{maninis2025tips,
  title     = {{TIPS: Text-Image Pretraining with Spatial Awareness}},
  author    = {Maninis, Kevis-Kokitsi and Chen, Kaifeng and Ghosh, Soham and Karpur, Arjun and Chen, Koert and Xia, Ye and Cao, Bingyi and Salz, Daniel and Han, Guangxing and Dlabal, Jan and Gnanapragasam, Dan and Seyedhosseini, Mojtaba and Zhou, Howard and Araujo, Andre},
  booktitle = {International Conference on Learning Representations (ICLR)},
  year      = {2025},
  url       = {https://arxiv.org/abs/2410.16512}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · zero-shot-image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
TIPSv2Model
Ревизия весов
109d669

0 моделей