/ Модель

Характеристики

Контекст
64 токена
Лицензия
Apache 2.0
Архитектура
tipsv2 · dense
Библиотека
transformers
Опубликована
9 апр 2026

tipsv2-so400m14

Классификация изображений без дообученияИзображение, текст → label8 профессий

Контрастивная модель Google для классификации изображений по текстовым меткам и получения согласованных визуальных и текстовых признаков.

270 тыс.скачиваний за 30 дней20лайковвеса обновлены17 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

TIPSv2 SO400m/14 — контрастивная модель компьютерного зрения и языка из семейства TIPSv2, предназначенная для сопоставления изображений с текстовыми описаниями. Вариант SO400m/14 разработан Google и содержит визуальный энкодер ViT на 412 млн параметров и текстовый энкодер Transformer на 448 млн параметров; размер совместного пространства эмбеддингов — 1152 измерения.

Модель подходит для классификации изображений по текстовым меткам без дообучения, извлечения согласованных текстовых и визуальных признаков, а пространственно насыщенные представления могут использоваться в сценариях сегментации. Визуальный и текстовый энкодеры имеют по 27 слоёв; изображения можно подавать с разным разрешением после преобразования значений пикселей в диапазон [0, 1], а текст обрабатывается SentencePiece-токенизатором с ограничением в 64 токена. Модель принимает изображения и текст и выдаёт эмбеддинги и оценки соответствия.

Репозиторий распространяется по лицензии Apache-2.0. Для текстового ввода указана предварительная обработка в нижний регистр и максимум 64 токена; характеристики качества на конкретных наборах данных в карточке не приведены.

Сценарии применения

  • классификация изображений по пользовательским текстовым категориям без дообучения
  • поиск изображений по текстовому описанию
  • извлечение эмбеддингов изображений для сравнения с текстом
  • подготовка пространственных признаков для сегментации изображений

Ограничения

Текстовый энкодер обрабатывает не более 64 токенов и использует нижний регистр. В карточке не приведены показатели качества на конкретных наборах данных.

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

TIPSv2 — SO400m/14

TIPSv2 (Text-Image Pre-training with Spatial awareness) is a family of contrastive vision-language models that produce spatially rich image features aligned with text embeddings. This is the SO400m variant with 412M vision params and 448M text params. Try the code snippets below or check out the GitHub repo for more use cases and visualizations, including zero-shot segmentation.

VariantVision paramsText paramsEmbed dimDPT Heads
B/1486M110M768B/14-dpt
L/14303M184M1024L/14-dpt
SO400m/14412M448M1152SO400m/14-dpt
g/141.1B389M1536g/14-dpt

Usage

pip install transformers torch torchvision sentencepiece scikit-learn

Load the model

from transformers import AutoModel

model = AutoModel.from_pretrained("google/tipsv2-so400m14", trust_remote_code=True)
model.eval()

Encode images

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

from torchvision import transforms
from PIL import Image
import requests

transform = transforms.Compose([
    transforms.Resize((448, 448)),
    transforms.ToTensor(),
])

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)
pixel_values = transform(image).unsqueeze(0)
out = model.encode_image(pixel_values)

print(out.cls_token.shape)     # (1, 1, 1152) — global image embedding
print(out.patch_tokens.shape)  # (1, 1024, 1152) — per-patch spatial features

Encode text

text_emb = model.encode_text(["a photo of a bus", "a photo of a dog"])
print(text_emb.shape)  # (2, 1152) — 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()])  # bus — predicted class

Visualize spatial features

import numpy as np
from sklearn.decomposition import PCA

spatial = out.patch_tokens.reshape(1, 32, 32, 1152)
feat = spatial[0].detach().cpu().numpy().reshape(-1, 1152)
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
print(rgb.shape)  # (32, 32, 3) — PCA of patch features as RGB

GPU inference

model = model.cuda()
out = model.encode_image(pixel_values.cuda())
text_emb = model.encode_text(["a city"])

Model details

  • Architecture: ViT vision encoder (27 layers) + Transformer text encoder (27 layers)
  • Image preprocessing: resize to any resolution, convert to [0, 1] (no ImageNet normalization)
  • Text preprocessing: SentencePiece tokenizer, lowercased, max 64 tokens
  • Patch size: 14x14 pixels

License

Apache 2.0

Citation

@inproceedings{cao2026tipsv2,
  title     = {{TIPSv2: Advancing Vision-Language Pretraining with Enhanced Patch-Text Alignment}},
  author    = {Cao, Bingyi and Chen, Koert and Maninis, Kevis-Kokitsi and Chen, Kaifeng and Karpur, Arjun and Xia, Ye and Dua, Sahil and Dabral, Tanmaya and Han, Guangxing and Han, Bohyung and Ainslie, Joshua and Bewley, Alex and Jacob, Mithun and Wagner, Rene and Ramos, Washington and Choromanski, Krzysztof and Seyedhosseini, Mojtaba and Zhou, Howard and Araujo, Andre},
  booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  year      = {2026},
  url       = {https://arxiv.org/abs/2604.12012}
}

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
9b102a5

0 моделей