/ Модель

Характеристики

Параметры
545 млн
Лицензия
MIT
Архитектура
moonvit · dense
Библиотека
transformers
Опубликована
10 апр 2025

MoonViT-SO-400M

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер Moonshot AI, который извлекает признаки изображений и может служить компонентом мультимодальных систем.

10 715скачиваний за 30 дней97лайковвеса обновлены17 апр 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

MoonViT-SO-400M — визуальный энкодер компании Moonshot AI для извлечения признаков из изображений. Реализация и веса опубликованы отдельно от moonshotai/Kimi-VL-A3B-Instruct; модель инициализирована из SigLIP-SO-400M и проходила дальнейшее предварительное обучение. Архитектура относится к семейству MoonViT, число параметров по метаданным — 544,9 млн.

Модель предназначена для получения представлений изображений, в том числе с сохранением исходного разрешения, и может использоваться как визуальный компонент мультимодальных систем. Прикладной сценарий, явно подтверждённый данными, — извлечение признаков. Репозиторий содержит веса в формате safetensors, библиотека — Transformers. Лицензия — MIT.

Сценарии применения

  • Извлечение признаков из изображений
  • Получение визуальных представлений для последующей обработки
  • Использование в качестве энкодера изображений в мультимодальной системе

Ограничения

В README не приведены результаты оценки качества или подробности поддерживаемых сценариев; подтверждённое назначение ограничено извлечением признаков изображений.

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

Introduction

MoonViT is a Native-resolution Vision Encoder, which is initialized from and continually pre-trained on SigLIP-SO-400M. To facilitate the standalone use of MoonViT, we have separated the implementation and weights of MoonViT from moonshotai/Kimi-VL-A3B-Instruct.

If you are interested in the training process of MoonViT, you are welcome to read Paper Kimi-VL Technical Report.

Example usage

from PIL import Image
from transformers import AutoModel, AutoImageProcessor

model_path = "moonshotai/MoonViT-SO-400M"
model = AutoModel.from_pretrained(
    model_path,
    torch_dtype="auto",
    device_map="auto",
    trust_remote_code=True,
)
processor = AutoImageProcessor.from_pretrained(model_path, trust_remote_code=True)

image_path = "./figures/demo.png"
image = Image.open(image_path)

images_processed = processor(image, return_tensors="pt").to(dtype=model.dtype, device=model.device)
image_features: list = model(images_processed.pixel_values, images_processed.image_grid_hws)

print(f"dtype: {image_features[0].dtype}, shape: {image_features[0].shape}")
# dtype: torch.bfloat16, shape: torch.Size([1092, 4, 1152])

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Можно запустить

Подбираем GPU…

Ревизия весов
a889d39

0 моделей