/ Модель

Характеристики

Контекст
256 токенов
Лицензия
GPL 3.0
Архитектура
viclip_ot · dense
Базовая модель
vit_base_patch16_dinov3.lvd1689m
Библиотека
transformers
Опубликована
20 фев 2026

ViSigLIP-OT

ЭмбеддингиТекст → embedding4 профессии

Двухэнкодерная модель ViSigLIP-OT сопоставляет вьетнамские тексты и изображения для мультимодального поиска и извлечения признаков.

90скачиваний за 30 дней2лайкавеса обновлены2 мар 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

ViSigLIP-OT — мультимодальная модель для поиска соответствий между изображениями и текстом на вьетнамском языке, разработанная как вариант семейства ViCLIP-OT. Это двухэнкодерная модель на 221 млн параметров: текстовый энкодер основан на Vietnamese-SBERT, а визуальный — на DINOv3 ViT-B/16. Для выравнивания представлений изображений и текста используется обучение в стиле SigLIP вместе с функцией потерь Similarity-Graph Regularized Optimal Transport (SIGROT). Модель принимает изображения размером 224 × 224 пикселя и текст длиной до 256 токенов, а выдаёт совместимые векторные представления.

Модель предназначена для поиска изображений по вьетнамским текстовым запросам и поиска текстов по изображениям, семантического поиска между модальностями и извлечения признаков для последующих задач компьютерного зрения. В README заявлены высокие результаты на тестах поиска изображение–текст и обобщение zero-shot. Репозиторий распространяется под лицензией GPL-3.0.

Сценарии применения

  • поиск изображений по запросу на вьетнамском языке
  • поиск вьетнамских описаний по изображению
  • семантический поиск по коллекции изображений и подписей
  • извлечение совместимых эмбеддингов изображений и вьетнамского текста
  • извлечение признаков для последующих задач компьютерного зрения

Ограничения

Модель ориентирована на вьетнамские тексты; для текста ограничение составляет 256 токенов, а изображения подаются размером 224 × 224 пикселя. Заявления о качестве в README относятся к указанным наборам тестов и сами по себе не гарантируют качество на других данных.

Для каких профессий подходит4

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

ViCLIP-OT is the first foundation vision-language model specifically designed for Vietnamese image-text retrieval.

ViCLIP-OT models combine CLIP-style contrastive learning with a novel Similarity-Graph Regularized Optimal Transport (SIGROT) loss to enhance cross-modal alignment and reduce the modality gap. ViCLIP-OT achieves state-of-the-art performance on Vietnamese image-text retrieval benchmarks with strong zero-shot generalization.

Model Variants

VariantContrastive LossOT LossParamsHugging Face
ViCLIP-OTCLIPSIGROT221Mminhnguyent546/ViCLIP-OT
ViSigLIP-OT (you are here)SigLIPSIGROT221Mminhnguyent546/ViSigLIP-OT

Quick Start

Model Overview

ViCLIP-OT is a dual-encoder vision-language model with 221M parameters. The text encoder is based on Vietnamese-SBERT, and the image encoder uses a ViT-B/16 backbone pre-trained with the DINOv3 framework. The model is trained with a hybrid objective that combines CLIP-style contrastive learning and the proposed Similarity-Graph Regularized Optimal Transport (SIGROT) loss.

FeatureText EncoderImage Encoder
Base ModelVietnamese-SBERTDINOv3-ViT-B/16
Parameters135M86M
Input Specification256 tokens (max)224 x 224 pixels
Pooling StrategyMean poolingGlobal average pooling
Output Dimension768768

Intended Uses

ViCLIP-OT is a multimodal embedding model that encodes both Vietnamese text and images into a shared representation space. It can be used for:

  • Vietnamese image-text retrieval (text-to-image and image-to-text, image-to-image)
  • Cross-modal semantic search in Vietnamese
  • Feature extraction for downstream Vietnamese vision-language tasks (e.g., visual question answering, image classification)

Usage

pip install \
    'transformers>=4.57.0,<5.0.0' \
    'torch>=2.8.0,<2.10.0' \
    'torchvision>=0.23.0,<0.25.0' \
    timm \
    pillow
from transformers import AutoModel, AutoProcessor
import torch

# Initialize the model
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print(f'Using device: {device}')
model = AutoModel.from_pretrained('minhnguyent546/ViSigLIP-OT', trust_remote_code=True)
model.to(device)

# Example images and sentences
image_uris = [
    'http://images.cocodataset.org/train2014/COCO_train2014_000000138621.jpg',
    'http://images.cocodataset.org/train2014/COCO_train2014_000000190580.jpg',
]
sentences = [
    'Một con mèo màu trắng',
    'Một con mèo màu đen',
    'Một cô gái đang lướt sóng',
]

# Encode text
text_embeddings = model.encode_text(
    sentences=sentences,
    batch_size=32,
    show_progress_bar=True,
    convert_to_tensor=True,
    normalize=True,
    padding=True,
    truncation=True,
    max_length=512,
)

# Encode images
image_embeddings = model.encode_image(
    images=image_uris,
    batch_size=32,
    show_progress_bar=True,
    convert_to_tensor=True,
    normalize=True,
)

# Compute cosine similarity between image and text embeddings
similarities = image_embeddings @ text_embeddings.T
print(similarities)

# tensor([[ 0.0677, -0.0673,  0.5587],
#         [ 0.2560,  0.4277,  0.0467]])
pip install \
    'transformers>=4.57.0,<5.0.0' \
    'sentence-transformers>=4.0.0' \
    'torch>=2.8.0,<2.10.0' \
    'torchvision>=0.23.0,<0.25.0' \
    timm \
    pillow
from sentence_transformers import SentenceTransformer

# Initialize the model
model = SentenceTransformer('minhnguyent546/ViSigLIP-OT', trust_remote_code=True)

# Example images and sentences
image_uris = [
    'http://images.cocodataset.org/train2014/COCO_train2014_000000138621.jpg',
    'http://images.cocodataset.org/train2014/COCO_train2014_000000190580.jpg',
]
sentences = [
    'Một con mèo màu trắng',
    'Một con mèo màu đen',
    'Một cô gái đang lướt sóng',
]

# Encode text
text_embeddings = model.encode(
    sentences,
    batch_size=32,
    show_progress_bar=True,
    convert_to_tensor=True,
    normalize_embeddings=True,
)

# Encode images
image_embeddings = model.encode(
    image_uris,
    batch_size=32,
    show_progress_bar=True,
    convert_to_tensor=True,
    normalize_embeddings=True,
)

# Compute cosine similarity between image and text embeddings
similarities = image_embeddings @ text_embeddings.T
print(similarities)

# tensor([[ 0.0677, -0.0673,  0.5587],
#         [ 0.2560,  0.4277,  0.0467]])

Training Details

ViCLIP-OT is trained on UIT-OpenViIC, a large-scale open-domain Vietnamese image captioning dataset containing 9,088 training images with approximately 42,000 captions featuring diverse real-world scenes.

For more details, please refer to the GitHub repository.

Evaluation Results

Image-Text Retrieval on UIT-OpenViIC

The table below summarizes retrieval performance on the UIT-OpenViIC test set. Both models also substantially outperform pretrained multilingual vision-language models evaluated in a zero-shot setting.

Zero-shot image–text retrieval results on KTVIC and Crossmodal-3600

The table below reports zero-shot retrieval results on KTVIC (with near-duplicate images removed against the UIT-OpenViIC training set) and Crossmodal-3600 (using Vietnamese captions).

License

This project is licensed under the GNU General Public License v3.0 (GPL-3.0).

Citation

If you find ViCLIP-OT useful in your research, please cite the following paper:

@misc{tran2026viclipotfoundationvisionlanguagemodel,
  title={ViCLIP-OT: The First Foundation Vision-Language Model for Vietnamese Image-Text Retrieval with Optimal Transport}, 
  author={Quoc-Khang Tran and Minh-Thien Nguyen and Nguyen-Khang Pham},
  year={2026},
  eprint={2602.22678},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2602.22678}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Первый модуль sentence-transformers (custom_st.ViCLIPOT) рантайм не поддерживает.

Класс архитектуры
ViCLIPOTModel
Ревизия весов
b983a4d

0 моделей