resnet50x16_clip.openai — модель CLIP, разработанная OpenAI и опубликованная на Hugging Face организацией timm. Она сопоставляет изображения с текстовыми описаниями и предназначена, в частности, для классификации изображений по текстовым меткам без дообучения на конкретных классах. Архитектура включает модифицированный ResNet-50x16 для изображений и Transformer для текста; изображения обрабатываются в разрешении 384×384, длина текстового контекста — 77 токенов.

Модель принимает изображения и текстовые метки классов, а для классификации оценивает соответствие между ними. Веса доступны по лицензии MIT. В карточке OpenAI CLIP отмечено, что модель создана как исследовательский результат и её возможности следует оценивать с учётом контекста применения; классификация зависит от формулировок текстовых меток и может наследовать ограничения обучающих данных.