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
sonoisa/clip-vit-b-32-japanese-v1 — японская версия CLIP для получения признаковых представлений текста и изображений. Автор адаптировал текстовый энкодер англоязычной CLIP-модели к японскому языку с помощью метода, описанного как разновидность дистилляции. В метаданных указаны архитектура BERT, 137,8 млн параметров, длина контекста 512 токенов и форматы PyTorch и safetensors.
Модель предназначена для вычисления эмбеддингов текста и изображений, оценки их сходства, поиска изображений по текстовому запросу и мультимодальной классификации. Она ориентирована на японский язык; карточка демонстрирует сценарии мультимодального поиска и расчёта сходства. Репозиторий распространяется по лицензии CC BY-SA 4.0.
Сценарии применения
поиск изображений по запросу на японском языке
вычисление эмбеддингов японских текстов и изображений
оценка сходства между описанием и изображением
мультимодальная классификация изображений по текстовым меткам
поиск похожих изображений
Ограничения
Модель ориентирована на японский язык; качество и применимость для других языков не подтверждены предоставленными данными.
Для каких профессий подходит6
Разделы каталога профессий, в задачах которых используется эта модель