/ Модель

Характеристики

Базовая модель
siglip2-base-patch16-224
Библиотека
pytorch
Опубликована
30 сен 2026

verdict

Классификация изображений без дообученияИзображение, текст → label3 профессии

Verdict v1 оценивает варианты ответа на вопросы о содержимом изображения и может воздержаться, если ни один вариант не подходит.

23скачиваний за 30 дней1лайквеса обновлены30 сен 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

Verdict v1 — небольшая модель для принятия решений по изображениям, разработанная автором репозитория shubhambaid. Она получает изображение и вопрос с ограниченным набором ответов, затем за один проход выдаёт вероятности вариантов, включая возможность воздержаться с ответом «другое»; генерации текста нет. Модель поддерживает вопросы с выбором одного ответа и проверку утверждения в формате «да/нет».

Её обучаемая часть — трёхслойный трансформер примерно на 6,2 млн параметров; визуальный энкодер SigLIP 2 base patch16 224 заморожен и загружается отдельно. Варианты ответа можно переставлять без влияния на результат. Модель предназначена прежде всего для классификации изображений по названиям классов и простых проверок наличия объектов или категорий. На проверенных тестах точность выбора на невиданных классах немного ниже, чем у исходного SigLIP 2 zero-shot; способность воздерживаться хуже переносится на новые области.

Обучение охватывало CIFAR-100, Oxford-IIIT Pets, Oxford Flowers-102, DTD и Food-101. Текстовые метки лучше подавать в форме «a photo of a {label}»; описание критерия по умолчанию игнорируется. Модель работает с изображениями размером 224 пикселя, поэтому ограничена в распознавании мелких деталей и текста внутри изображения. Лицензия репозитория в предоставленных данных не указана; лицензии обучающих наборов различаются, и автор рекомендует проверять их перед коммерческим использованием.

Сценарии применения

  • выбор категории объекта на изображении из заданного списка
  • проверка, присутствует ли заданный класс объектов
  • классификация изображений с возможностью ответа «другое»
  • сравнение нескольких текстовых меток для изображения

Ограничения

Модель обучалась на вопросах о категориях объектов и простых утверждениях о классах; подсчёт, пространственные вопросы и свободные утверждения не проверены. Точность распознавания мелких деталей и текста ограничена входным разрешением 224 пикселя, а воздержание от ответа плохо переносится на новые области.

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

Verdict v1

A small System-1 decision model for images, in the spirit of TypeSafe's Jev and Convai's Laya. An image goes in with typed questions, and a probability for every allowed answer comes out. Everything happens in one forward pass, with no text generation.

  • Encoder (frozen, not included in this repo): google/siglip2-base-patch16-224. It is downloaded automatically at load time.
  • Head (this repo, 6.2M parameters): a 3-layer transformer over [question] [pooled image] [7×7 patch tokens] [option_1 … option_k] [OTHER], with one token per option and no positional encoding, so option order doesn't matter. Each option's logit is SigLIP's own zero-shot score (scale·cos + bias) plus a learned correction.
  • Question types: choice (pick one of your options, or other for none of them) and noul (is this statement about the image true?). Ordinal score questions are not supported yet.
  • Calibration: trained with cross-entropy, plus one temperature per question type fitted on validation classes the head never trained on.

Architecture

             image                    question            options (labels)
               │                          │                      │
     SigLIP 2 vision (frozen)   SigLIP 2 text (frozen)  SigLIP 2 text (frozen)
        │             │                   │               "a photo of a {label}."
   pooled emb    7×7 patches              │                      │
        │             │                   │                      │
        ▼             ▼                   ▼                      ▼
     [IMG]      [patch × 49]             [Q]            [opt_1 … opt_k]   [OTHER]
        └─────────────┴──────────┬────────┴──────────────────────┴───────────┘
                                 ▼
               3-layer transformer head  (6.2M params, trained)
                                 │  one forward pass, no decoding
                                 ▼
     logit_j  =  scale · cos(IMG, opt_j) + bias   +   learned correction_j
                 └──── SigLIP zero-shot prior ──┘
                                 │
                   softmax ÷ temperature (per question type)
                                 ▼
          choice → {label: p, …, other: p}      noul → P(statement is true)
  • Options have no positional encoding, so answer order doesn't matter and cost grows linearly with k.
  • For noul questions the options are two learned YES/NO tokens, so label wording can't sway the answer.
  • With the correction at zero, the head reproduces SigLIP's own decision: pick an option if scale·cos + bias > 0, otherwise other.

Usage

hf download shubhambaid/verdict --local-dir verdict && pip install -e ./verdict
from PIL import Image
from verdict import Verdict

v = Verdict.from_pretrained("shubhambaid/verdict")
v.predict(Image.open("photo.jpg"), {
    "animal": {"type": "choice", "instructions": "What animal is this?",
               "criteria": {"cat": "a domestic cat", "dog": "a domestic dog", "bird": "any bird"}},
    "outdoor": {"type": "noul", "instructions": "This photo was taken outdoors."},
})
# Real output on one Oxford Pets test image (a dog):
# {"model": "verdict-v1-prior", "answers": {
#    "animal":  {"type": "choice", "choice": "dog", "confidence": 0.50,
#                "probabilities": {"cat": 0.001, "dog": 0.500, "bird": 0.001, "other": 0.499}},
#    "outdoor": {"type": "noul", "noul": 0.09, "confidence": 0.91}}}

Option phrasing matters. Labels are embedded as "a photo of a {label}.", the phrasing used in training, and descriptions in criteria are ignored by default. On a 200-image Pets cat/dog/bird probe, this default scored 0.970. Embedding "{label}, {description}" scored 0.420, because weak matches fall through to other. To use descriptions, set a per-question "template" such as "a photo of a {label}, {desc}." (that one scored 0.810).

Training

  • Data: CIFAR-100, Oxford-IIIT Pets, Oxford Flowers-102, DTD and Food-101, about 23k training images (drawn from a 36k-image cache, capped per dataset).
  • Held-out classes: 20% of each dataset's classes are held out as test classes, and a further 10% as validation classes. EuroSAT is held out entirely, as a new domain with new labels.
  • Questions: built from the class labels. Choice questions use k = 2–100 options, and 15% of them have the correct answer removed (target: other). 20% of questions are noul statements.
  • Checkpoint selection: the checkpoint and the temperatures were chosen on validation classes, never on test classes. This head, v1-prior, beat the variant with borrowed labels and option noise on that validation score.

Results

Test accuracy, macro-averaged over datasets. "Unseen" means classes never used in training or validation. Full table with calibration error (ECE), AUROC and OTHER rates: results.md.

SigLIP 2 zero-shotVerdict v1
seen classes, choice k=100.9350.932
unseen classes, choice k=100.9380.910
unseen classes, choice over all classes0.8050.767
EuroSAT (new domain), choice k=100.4240.346
seen classes, noul0.7530.955
unseen classes, noul0.7510.941
EuroSAT, noul0.4950.689
unseen classes, correct answer removed → says othern/a (can't abstain)0.623

In short: Verdict is much better than zero-shot at yes/no questions, and it can abstain. On multiple choice it is about 1–4 points below plain SigLIP zero-shot, and further below on the new domain.

Limitations

  • Only trained on "which class is this" and "is this a {class}" questions. Counting, spatial questions, quality questions and free-form statements are untested and likely weak.
  • Free-form noul statements (like the outdoor example above) are outside the training distribution. Treat those answers as unvalidated.
  • Abstention (other) transfers poorly to new domains: on EuroSAT, when the correct answer is missing, it answers other only 6% of the time.
  • The encoder is frozen and runs at 224 px, so fine detail and text inside the image are limited by SigLIP 2. CLIP-style models can be fooled by text written in an image.
  • The training data licences vary. Some sets, such as DTD, are research-only. Check them before any commercial use.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch · zero-shot-image-classification

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
e6c08fc

0 моделей