Это модель EVA02-CLIP от команды timm, опубликованная в формате OpenCLIP. Она сопоставляет изображения и текст: принимает изображение и текстовые описания категорий, кодирует их и позволяет оценить соответствие изображения каждому описанию для классификации без обучения на конкретном наборе меток. Визуальная часть основана на Vision Transformer с патчами 16×16; модель рассчитана на изображения 224×224. В названии и карточке указано обучение на объединённом наборе данных объёмом 2 млрд примеров.

Модель предназначена для нулевой классификации изображений и сопоставления изображения с текстовыми запросами. Она выдаёт оценки сходства, поэтому пригодна для задач поиска и отбора по свободно заданным категориям. Весовые файлы доступны в форматах PyTorch и Safetensors и используются через OpenCLIP. Лицензия — MIT. Карточка не сообщает целевой естественный язык; качество зависит от формулировок текстовых меток и соответствия изображений обучающим данным.