Модель timm/vit_base_patch16_siglip_256.webli_i18n — визуальный энкодер SigLIP на основе Vision Transformer с патчами 16×16 и входным разрешением 256 пикселей. Это image encoder only с исходным attention pooling; модель предназначена для извлечения признаковых представлений изображений и их использования в последующих задачах машинного зрения. Разработчик в карточке не назван; веса распространяются через timm.

Модель принимает изображения и выдаёт признаки-векторы. В метаданных указана задача image-feature-extraction, библиотека timm и лицензия Apache-2.0. Карточка связывает вариант с WebLI и i18n, но не приводит конкретный перечень языков или подробности обучения.