resnet50_clip.openai — модель CLIP, разработанная OpenAI и опубликованная в каталоге timm. Она предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений без дообучения на заданных категориях: пользователь передаёт изображение и варианты текста, а модель оценивает их соответствие. Архитектура включает модифицированный ResNet-50 как визуальный энкодер и Transformer с masked self-attention как текстовый энкодер; всего 38,4 млн параметров.

Модель принимает изображения и английский текст, выдаёт оценки сходства между ними. Карточка OpenAI ограничивает предполагаемое использование исследованиями и рекомендует проверять модель на конкретной задаче; для развёртывания она не предназначена. К ограничениям относятся нестабильность результатов при смене формулировок и набора категорий, слабые результаты на тонкой классификации и подсчёте объектов, а также выявленные смещения. Репозиторий Hugging Face указывает лицензию MIT.