/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
12 мар 2025

LLM2CLIP-Llama3.1-8B-siglip2-so400m-patch14-224

Классификация без дообученияТекст → label

LLM2CLIP — модель Microsoft для классификации изображений без дообучения и сопоставления изображений с текстовыми описаниями.

0скачиваний за 30 дней10лайковвеса обновлены24 мар 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

LLM2CLIP-Llama3.1-8B-siglip2-so400m-patch14-224 — модель Microsoft и исследователей из Университета Тунцзи для сопоставления изображений и текстовых описаний. Подход LLM2CLIP использует дообученную языковую модель как учителя для визуального энкодера, чтобы улучшить различение текста в общем пространстве признаков CLIP.

Модель предназначена для поиска изображений по тексту, поиска текста по изображению и классификации без дообучения на конкретных классах. В описании метода заявлена поддержка длинных и сложных подписей и улучшение межъязыкового поиска; базовая модель обучалась на английских данных. В репозитории указаны веса PyTorch в формате safetensors и лицензия Apache-2.0.

Это визуальная модель признаков, а не генеративный чат-бот: она предназначена для извлечения и сопоставления признаков изображений и текста. README не приводит размер итоговой модели и длину контекста; параметры Llama 3.1 8B в названии репозитория сами по себе не подтверждают размер данного чекпойнта.

Сценарии применения

  • классификация изображений по текстовым меткам без дообучения
  • поиск изображений по текстовому запросу
  • поиск подходящих подписей к изображению
  • межъязыковой поиск изображений по описанию
  • сопоставление изображения с длинным текстовым описанием

Ограничения

Заявленные улучшения в README описывают метод LLM2CLIP и его эксперименты, а не подробные результаты именно этого чекпойнта. README не указывает длину контекста и не перечисляет языки модели; заявленная межъязыковая способность не сопровождается списком поддерживаемых языков.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

1Tongji Universiy, 2Microsoft Corporation *Equal contribution † Corresponding to: yifanyang@microsoft.com

In this paper, we propose LLM2CLIP, a novel approach that embraces the power of LLMs to unlock CLIP’s potential. By fine-tuning the LLM in the caption space with contrastive learning, we extract its textual capabilities into the output embeddings, significantly improving the output layer’s textual discriminability. We then design an efficient training process where the fine-tuned LLM acts as a powerful teacher for CLIP’s visual encoder. Thanks to the LLM’s presence, we can now incorporate longer and more complex captions without being restricted by vanilla CLIP text encoder’s context window and ability limitations. Our experiments demonstrate that this approach brings substantial improvements in cross-modal tasks. Our method directly boosted the performance of the previously SOTA EVA02 model by 16.5% on both long-text and short-text retrieval tasks, transforming a CLIP model trained solely on English data into a state-of-the-art cross-lingual model. Moreover, when integrated into mul- timodal training with models like Llava 1.5, it consistently outperformed CLIP across nearly all benchmarks, demonstrating comprehensive performance improvements.

Model Details

  • Model Type: vision foundation model, feature backbone
  • Pretrain Dataset: CC3M, CC12M, YFCC15M and LAION-2B(30M subset)

Usage

Go to GitHub

# put LLM2CLIP-Llama-3.1-8B into the checkpoints folder.
ln -s LLM2CLIP-Llama-3.1-8B  llm2clip/checkpoints/

pip install flash_attn
pip install timm==1.0.15
pip uninstall -y  llm2vec
pip install  transformers==4.46
import torch
from PIL import Image
from eva_clip import create_model_and_transforms

model, _, preprocess_val = create_model_and_transforms(
    "Llama3.1-8B-Siglip2-So-L-14-224",force_custom_clip=True)
ckpt = torch.load("LLM2CLIP-SigLIP2-So-14-224.pt")
model.load_state_dict(ckpt, strict=False)
model = model.cuda().eval()

captions = ["a diagram", "a dog", "a cat"]
image = Image.open("CLIP.png")
image = preprocess_val(image).unsqueeze(0).cuda()

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features = model.encode_image(image)
    text_features = model.encode_text(captions)

    image_features /= image_features.norm(dim=-1, keepdim=True)
    text_features /= text_features.norm(dim=-1, keepdim=True)

    text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)

print("Label probs:", text_probs)

BibTeX & Citation

@misc{huang2024llm2clippowerfullanguagemodel,
      title={LLM2CLIP: Powerful Language Model Unlock Richer Visual Representation}, 
      author={Weiquan Huang and Aoqi Wu and Yifan Yang and Xufang Luo and Yuqing Yang and Liang Hu and Qi Dai and Xiyang Dai and Dongdong Chen and Chong Luo and Lili Qiu},
      year={2024},
      eprint={2411.04997},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2411.04997}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
dac0e79

0 моделей