/ Модель

Характеристики

Контекст
77 токенов
Лицензия
Apache 2.0
Библиотека
open_clip
Опубликована
15 авг 2026

mammut2_ViT-B-32.cc12m

Классификация изображений без дообученияИзображение, текст → label3 профессии

Исследовательская модель MaMMUT2 ViT-B/32 сопоставляет изображения с текстом и поддерживает классификацию изображений по текстовым описаниям и генерацию подписей.

18скачиваний за 30 дней0лайковвеса обновлены19 авг 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

MaMMUT2 ViT-B/32 — исследовательский чекпойнт модели сопоставления изображений и текста с генерацией подписей. Карточка связывает его с экспериментом по сравнению архитектур и функций потерь на CC12M; модель разработана автором репозитория rwightman и реализована с помощью open_clip. Архитектура включает визуальный энкодер и трансформерный текстовый декодер с перекрёстным вниманием к изображению через каждый второй блок. Декодер использует BPE-словарь на 49 408 токенов и контекст длиной 77 токенов.

Модель обучалась 32 эпохи на pixparse/cc12m-wds с точностью bf16 и сочетанием контрастивной функции потерь InfoNCE и функции потерь генерации подписей. Она предназначена для классификации изображений по текстовым описаниям без дообучения, поиска соответствий между изображениями и текстом и генерации подписей к изображениям. В сравнении автор отмечает преимущество MaMMUT2 в поиске изображений по тексту относительно приведённых CLIP-базовых запусков, но предупреждает, что различия в оптимизаторе и размере пакета затрудняют прямое сравнение. Абсолютные метрики генерации подписей низки, в том числе из-за различия стиля CC12M и эталонных подписей COCO.

Лицензия — Apache-2.0. Карточка представляет чекпойнт как исследовательский, а не производственный; перед применением в реальных сценариях следует отдельно оценить качество на целевых данных.

Сценарии применения

  • классификация изображений по текстовым меткам без дообучения
  • поиск изображений по текстовому запросу
  • поиск подходящего текста для изображения
  • генерация кратких подписей к изображениям

Ограничения

Это исследовательский чекпойнт, а не производственная модель. Метрики генерации подписей невысоки, а сравнение с CLIP затруднено различиями в оптимизаторе и размере обучающего пакета.

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

Model card for mammut2_ViT-B-32.cc12m

MaMMUT2 B/32: image encoder + a single text decoder run twice per step (text-only contrastive pass, then image-cross-attention caption pass).

Research checkpoint from a B/32-scale architecture/objective comparison on CC12M (CLIP vs MaMMUT2 vs modern text decoder); not a production model.

Model Details

  • Dataset: pixparse/cc12m-wds
  • Epochs: 32
  • Precision: bf16 amp
  • Weight decay: 0.25
  • Objective: InfoNCE + 2x caption CE + 1e-5 z-loss
  • Text decoder: classic transformer, cross-attn every 2nd block, BPE vocab 49408, ctx 77
  • Optimizer: adamw, lr 3e-3
  • Batch size: 1024

Model Usage

import torch
import open_clip

model, preprocess = open_clip.create_model_from_pretrained('hf-hub:rwightman/mammut2_ViT-B-32.cc12m')
tokenizer = open_clip.get_tokenizer('hf-hub:rwightman/mammut2_ViT-B-32.cc12m')

image = preprocess(pil_image).unsqueeze(0)
text = tokenizer(['a dog', 'a cat', 'a bird'])
with torch.no_grad():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)

Caption generation:

with torch.no_grad():
    tokens = model.generate(image, generation_type='beam_search', seq_len=30)
print(tokenizer.decode(tokens[0].cpu().tolist()))

Model Comparison

runIN1KIN-V2IN-RIN-SkI2T R@1T2I R@1CIDErBLEU-4METEOR
clip-siglip42.7236.4454.3832.0834.8425.95
clip-naflex40.434.4350.5328.5534.624.25
mammut2 (no z)37.831.9848.827.1637.5224.7210.022.437.37
mammut2 (+z) (this model)38.3632.4749.4427.1238.1824.5410.042.417.38
mammut2-naflex37.5431.9248.6326.2838.6424.79.522.337.4
mammut2-mt no-qk lr1e-338.0732.7850.8427.2837.4425.1810.963.587.69
mammut2-mt qk lr2e-338.3733.0250.5627.1837.9424.9310.853.447.57
mammut2-mt qk lr2e-3 b409640.034.2153.9129.8137.725.3712.233.917.99
mammut2-mt qk lr3e-337.0531.8248.4126.0335.9224.0610.293.317.35

All eight runs: CC12M, 32 epochs, 2x GPU, bf16 amp, wd 0.25, evaluated at epoch 32 with one harness (ImageNet zero-shot w/ OpenAI 80-prompt ensemble; COCO Karpathy-test retrieval, I2T = any-of-5-captions; caption metrics vs the 5 COCO refs, beam search). Key reads:

  • The CLIP rows are prior runs, not purpose-trained controls: they were the closest available baselines but come from NAdaMuon optimizer experiments (nadamuon @ bs 4096 vs the MaMMUT runs' adamw @ bs ~1024), so cross-family deltas bundle optimizer + batch + loss.
  • Caption objective -> I2T retrieval: every MaMMUT2 run beats both CLIP runs by 1-4 pt I2T R@1 despite 1/4 the contrastive batch and a plainer optimizer.
  • Zero-shot ordering tracks batch/loss/optimizer, not architecture -- confirmed by the bs-4096 moderntext run: at matched batch (still adamw) it lands within 0.4 IN1K of clip-naflex and within 0.5 IN-R of clip-siglip. Batch was most of the CLIP lead.
  • The caption-objective I2T advantage is batch-independent (37.7-38.6 I2T R@1 at both bs 1024 and 4096), while zero-shot, T2I, and caption metrics all scale with batch.
  • NaFlex vision and 1e-5 caption z-loss are both ~free (within the <=0.6 pt repeat-run noise).
  • Modern text tower (bundled with r50k tokenizer + ctx 128) at its best LR: IN1K parity with classic, +V2/+IN-R/+T2I, and clearly better caption metrics. qk-norm buys 2x LR headroom rather than direct quality; 3e-3 is past the stable edge even with it.
  • Caption scores are style-limited: CC12M alt-text register vs COCO references. Absolute CIDEr is low for all runs; relative differences are the signal.

Как запустить

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

GPU в ailist

Универсальный рантайм · open_clip

Нельзя запустить

Модели OpenCLIP требуют отдельного рантайма.

Ревизия весов
410d44a

0 моделей