/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
lingbot-vision-vit-large
Библиотека
mlx
Опубликована
12 июл 2026

lingbot-vision-vit-large-mlx

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный backbone ViT-L/16 для извлечения признаков изображений на Apple Silicon через MLX.

26скачиваний за 30 дней0лайковвеса обновлены12 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

mnmly/lingbot-vision-vit-large-mlx — неофициальная конверсия визуального backbone LingBot-Vision ViT-L/16, подготовленная сообществом для запуска на Apple Silicon через MLX и пакет MLXLingBotVision на Swift. Модель использует архитектуру ViT-L/16: размерность эмбеддингов 1024, 24 слоя, 16 голов внимания и патчи размером 16; в README также указаны четыре register-токена, осевое 2D RoPE, LayerScale и fused-QKV attention.

Модель предназначена для извлечения признаков изображений и может служить визуальным backbone для задач плотного предсказания. Веса сохранены в формате safetensors с точностью fp32; README сообщает о проверке численного соответствия исходной реализации. Это конверсия весов robbyant/lingbot-vision-vit-large, переупакованных для MLX Swift; лицензия — Apache-2.0. Модель принимает изображения и выдаёт визуальные признаки, а качество для конкретных downstream-задач зависит от последующей обработки.

Сценарии применения

  • извлечение признаков изображений для последующих моделей
  • получение визуальных эмбеддингов для поиска по изображениям
  • использование в качестве backbone для плотного предсказания
  • запуск LingBot-Vision на Apple Silicon из Swift-приложения

Ограничения

Модель является визуальным backbone и сама по себе не предоставляет готовый пользовательский интерфейс для прикладных задач; для запуска требуется совместимый MLX Swift loader на Apple Silicon. Конверсия заявлена как численно нейтральная, однако результаты приведены только для сравнения отдельных токенов с Python-реализацией.

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

LingBot-Vision ViT-L/16 — MLX (Swift) weights

Unofficial MLX conversion of the LingBot-Vision ViT-L/16 self-supervised backbone, for running natively on Apple Silicon via mlx-swift. Same weights as robbyant/lingbot-vision-vit-large, re-laid-out for the MLXLingBotVision Swift package.

  • Files: model.safetensors (fp32, ~1.13 GB) + config.json (architecture parameters read by the Swift loader).
  • Architecture: ViT-L/16 — embed 1024 / depth 24 / heads 16, patch size 16, 4 storage (register) tokens, axial 2D RoPE, LayerScale, fused-QKV attention with a masked K-bias.

Not affiliated / not endorsed

This is an unofficial community conversion. It is not affiliated with or endorsed by the LingBot-Vision authors (Ant Group). All credit for the model and the training method belongs to the original authors.

Changes vs. the original checkpoint

The conversion (scripts/convert.py) is numerically neutral — it only re-lays-out the weights for MLX Swift:

  • Unwrapped the state-dict wrappers and stripped the _orig_mod. / backbone. key prefixes.
  • Baked the fused-QKV bias_mask into attn.qkv.bias (zeroing the K third of the bias) and dropped the mask buffer, so the Swift side is a plain fused Linear.
  • Dropped the MIM-only mask_token (a no-op at eval time — the forward uses cls_token + 0 * mask_token).
  • Saved fp32 safetensors with keys matching the Swift module tree, plus a config.json.
  • Conv2d patch-embed weights are transposed PyTorch NCHW → MLX NHWC by the Swift loader at load time.

Parity

Verified end-to-end against the Python reference (fp32): patch-token cosine 0.9999987, maxAbs 0.010, meanAbs 0.0004; CLS-token cosine 0.99999624.

Usage

With the MLXLingBotVision Swift package:

import MLXLingBotVision

let session = try LingBotVisionSession.load(
    SessionConfig(modelDirectory: URL(fileURLWithPath: "/path/to/lingbot-vision-vit-large-mlx"),
                  dtype: .float16))

let out = try session.features(imageURL: imageURL, size: 512)   // cls / storage / patch tokens
let cg  = try session.pcaCGImage(imageURL: imageURL, size: 512) // PCA RGB visualization

CLI:

lbv-tool --model /path/to/lingbot-vision-vit-large-mlx --image example.png --out pca.png --size 512

Credits & citation

Original model by Zelin Fu, Bin Tan, Changjiang Sun, Shaohui Liu, Kecheng Zheng, Yinghao Xu, Xing Zhu, Yujun Shen, Nan Xue. LingBot-Vision acknowledges DINOv2 and DINOv3.

@article{lingbot-vision2026,
  title={Vision Pretraining for Dense Spatial Perception},
  author={Fu, Zelin and Tan, Bin and Sun, Changjiang and Liu, Shaohui and Zheng, Kecheng and Xu, Yinghao and Zhu, Xing and Shen, Yujun and Xue, Nan},
  year={2026}
}

License

Apache 2.0 — same as the original checkpoint. See LICENSE.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
f46b6b4

0 моделей