/ Модель

Характеристики

Контекст
77 токенов
Лицензия
MIT
Архитектура
clip · dense
Базовая модель
clip-vit-base-patch32
Опубликована
27 июл 2026

hierarcaps-clip-b

Классификация изображений без дообученияИзображение, текст → label5 профессий

Дообученная CLIP ViT-B/32 для классификации изображений по текстовым меткам и сопоставления изображений с описаниями с учётом их уровня конкретности.

12скачиваний за 30 дней0лайковвеса обновлены27 июл 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

HierarCaps CLIP-B — дообученная модель CLIP ViT-B/32 на основе openai/clip-vit-base-patch32, связанная с работой «Emergent Visual-Semantic Hierarchies in Image-Text Representations» (ECCV 2024). Она предназначена для сопоставления изображений и текстовых описаний и классификации изображений по текстовым меткам без дообучения. Дообучение на наборе HierarCaps усиливает иерархическую организацию пространства эмбеддингов и помогает учитывать, насколько описание конкретно или обобщённо. Модель принимает изображения и текст, а выдаёт векторные представления для их сопоставления. Распространяется по лицензии MIT.

Сценарии применения

  • классификация изображений по собственным текстовым меткам без дообучения
  • поиск изображений по текстовому описанию
  • сопоставление изображения с несколькими описаниями разной конкретности
  • изучение иерархических связей между визуальными и текстовыми понятиями

Ограничения

README не приводит количественных оценок качества или сравнений с базовой моделью. Подробности о поддерживаемых языках текстовых меток не указаны.

Для каких профессий подходит5

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

HierarCaps CLIP-B

Fine-tuned CLIP-B (ViT-B/32) checkpoint from the paper Emergent Visual-Semantic Hierarchies in Image-Text Representations (ECCV 2024).

This model was fine-tuned on the HierarCaps dataset to enhance hierarchical organization in CLIP's embedding space, improving hierarchical reasoning about specificity between images and texts.

Usage

from transformers import CLIPModel, AutoProcessor

model = CLIPModel.from_pretrained("malper/hierarcaps-clip-b")
processor = AutoProcessor.from_pretrained("malper/hierarcaps-clip-b")

See the official code repository for training and evaluation scripts used with this checkpoint.

Citation

@InProceedings{alper2024hierarcaps,
  author    = {Morris Alper and Hadar Averbuch-Elor},
  title     = {Emergent Visual-Semantic Hierarchies in Image-Text Representations},
  booktitle = {Proceedings of the European Conference on Computer Vision (ECCV)},
  year      = {2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · zero-shot-image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
CLIPModel
Ревизия весов
9f25327

0 моделей