/ Модель

Характеристики

Лицензия
apple-amlr
Библиотека
timm
Опубликована
10 сен 2025

fastvit_mci0.apple_mclip2_dfndr2b

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер MobileCLIP v2 для извлечения признаков изображений с помощью timm.

1 375скачиваний за 30 дней0лайковвеса обновлены10 сен 2025

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

fastvit_mci0.apple_mclip2_dfndr2b — модель семейства MobileCLIP v2, представленная как только визуальный энкодер для библиотеки timm. Она обучена на наборе данных DFNDR-2B и предназначена для извлечения признаков изображений, например для последующего поиска или сравнения изображений по эмбеддингам.

Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — Apple AMLR. Карточка связывает модель с работой MobileCLIP2: Improving Multi-Modal Reinforced Training.

Сценарии применения

  • получение эмбеддингов изображений для поиска
  • сравнение изображений по визуальным признакам
  • извлечение признаков изображений для downstream-задач

Ограничения

Это только визуальный энкодер, а не полная мультимодальная модель MobileCLIP v2; карточка не описывает текстовый энкодер или готовые сценарии тексто-изображенческого поиска.

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 fastvit_mci0.apple_mclip2_dfndr2b

A MobileCLIP v2 (image encoder only) for timm. Equivalent to image tower from https://huggingface.co/timm/MobileCLIP2-S0-OpenCLIP.

Model Details

Citation

@article{faghri2025mobileclip2,
          title={MobileCLIP2: Improving Multi-Modal Reinforced Training},
          author={Faghri, Fartash and Vasu, Pavan Kumar Anasosalu and Koc, Cem and Shankar, Vaishaal and Toshev, Alexander and Tuzel, Oncel and Pouransari, Hadi},
          journal={arXiv preprint arXiv:2508.20691},
          year={2025}
        }
        

Как запустить

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

GPU в ailist

Универсальный рантайм · timm · image-feature-extraction

Можно запустить

Подбираем GPU…

Ревизия весов
577a2e9

0 моделей