Это визуальный энкодер SigLIP из библиотеки timm: модель преобразует изображения в признаки и векторы представления. Она основана на архитектуре ViT-Base с патчами 16×16 и входным разрешением 224 пикселя; используется вариант вебли-обучения WebLI с исходным attention pooling. Модель предназначена для извлечения визуальных признаков, которые можно использовать в поиске по изображениям, сравнении изображений и других системах, работающих с визуальными представлениями.

Репозиторий содержит только энкодер изображений. Лицензия — Apache 2.0. Данные не описывают поддержку текстового ввода или мультимодального сопоставления напрямую; доступные сведения подтверждают задачу извлечения признаков изображений.