/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
siglip · dense
Базовая модель
siglip2-base-patch16-256
Библиотека
transformers
Опубликована
27 окт 2025

waon-siglip2-base-patch16-256

Классификация изображений без дообученияИзображение, текст → label3 профессии

Дообученная на японском наборе WAON модель SigLIP 2 для классификации изображений по текстовым меткам без отдельного обучения.

697скачиваний за 30 дней1лайквеса обновлены2 ноя 2025

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

waon-siglip2-base-patch16-256 — визуально-текстовая модель llm-jp, полученная дообучением google/siglip2-base-patch16-256 на крупном японском наборе пар изображение–текст WAON. Она предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов. Модель содержит 375 млн параметров и построена на архитектуре SigLIP 2; для работы с ней в карточке указана библиотека Transformers.

Модель ориентирована на японские изображения и культурно-специфичную классификацию. По результатам README она показывает лучшие значения среди сравниваемых моделей на японских бенчмарках Recruit и WAON-Bench. Для применения задают изображение и текстовые метки, а модель оценивает их соответствие. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • классификация японских культурных изображений по текстовым меткам
  • сопоставление изображения с набором японских описаний
  • поиск изображений по текстовым запросам через оценку соответствия
  • оценка принадлежности изображения к заданным категориям без дообучения классификатора

Ограничения

Модель специализирована на японских изображениях и культурно-специфичных задачах; результаты на бенчмарках не гарантируют качество на иных распределениях данных. README не приводит сведений о длине контекста или ограничениях по изображениям.

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

| 🤗 HuggingFace  | 📄 Paper  | 🧑‍💻 Code  |

We fine-tuned the google/siglip2-base-patch16-256 on WAON, a large-scale Japanese image-text pair dataset. Our model achieves state-of-the-art performance on WAON-Bench, a Japanese cultural image classification benchmark.

Evaluation

Our model achieves the best score on Japanese benchmarks (Recruit and WAON-Bench).

ModelParamsXM3600ImageNetRecruitWAON-BenchAvg
siglip2-base-patch16-256 (fine-tuned on WAON)375M73.7549.6183.1494.9775.37
siglip2-base-patch16-256 (fine-tuned on ReLAION)375M72.3947.3881.6592.9973.60
siglip2-base-patch16-256375M38.2848.1276.9887.8162.80
clip-japanese-base196M78.0048.9081.6590.0574.65
siglip-base-patch16-256-mult371M43.2253.2675.1089.2565.21
Japanese Stable CLIP ViT-L-16414M66.0355.9771.2982.0368.83
LAION-CLIP-ViT-H-141193M72.6447.6770.6285.8869.20

How to Use

Here is a sample code snippet for zero-shot image classification:

import torch
import requests
from PIL import Image
from transformers import AutoProcessor, AutoModel

ckpt = "llm-jp/waon-siglip2-base-patch16-256"
model = AutoModel.from_pretrained(ckpt)
processor = AutoProcessor.from_pretrained(ckpt)

url = "https://upload.wikimedia.org/wikipedia/commons/5/58/Shiba_inu_taiki.jpg"
image = Image.open(requests.get(url, stream=True, headers={"User-Agent": "Mozilla/5.0"}).raw).convert("RGB")
candidate_labels = ["柴犬", "日本猫", "いわし"]

# IMPORTANT: we pass `padding=max_length` and `max_length=64` since the model was trained with this
inputs = processor(text=candidate_labels, images=image, padding="max_length", max_length=64, return_tensors="pt").to(model.device)

with torch.no_grad():
    outputs = model(**inputs)

logits_per_image = outputs.logits_per_image
probs = torch.sigmoid(logits_per_image)
for i, label in enumerate(candidate_labels):
    print(f"prob that image is '{label}': {probs[0][i]:.2%}")
# prob that image is '柴犬': 96.57%
# prob that image is '日本猫': 0.03%
# prob that image is 'いわし': 0.00%

For more information, please read the SigLIP2 documentation.

Citation

@misc{sugiura2025waonlargescalehighqualityjapanese,
      title={WAON: Large-Scale and High-Quality Japanese Image-Text Pair Dataset for Vision-Language Models}, 
      author={Issa Sugiura and Shuhei Kurita and Yusuke Oda and Daisuke Kawahara and Yasuo Okabe and Naoaki Okazaki},
      year={2025},
      eprint={2510.22276},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2510.22276}, 
}

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
SiglipModel
Ревизия весов
465141e

0 моделей