eva02_large_patch14_clip_336.merged2b_s6b_b61k — модель vision-language семейства EVA-02-CLIP, опубликованная командой timm в формате OpenCLIP. Она сопоставляет изображения и текстовые описания в общем пространстве признаков и предназначена, в частности, для классификации изображений без дополнительного обучения: пользователь задаёт названия классов текстом, а модель оценивает соответствие изображения этим описаниям.

Модель использует визуальный энкодер EVA-02 с архитектурой ViT-L/14 и разрешением изображений 336 пикселей, а также текстовый энкодер CLIP. Репозиторий содержит веса PyTorch и Safetensors и предназначен для работы через библиотеку OpenCLIP. Входы — изображение и текст; выходы — оценки сходства, которые можно использовать для ранжирования текстовых меток. Текстовый энкодер работает с английским языком; других поддерживаемых языков карточка модели не устанавливает.

Репозиторий распространяется по лицензии MIT. Известное ограничение: точность классификации зависит от выбранных текстовых описаний, а модель не является универсальным генератором подписей к изображениям или детектором объектов.