Это модель CLIP с архитектурой ViT-B-32, обученная на данных LAION-2B и доступная для использования через open_clip и timm. Она сопоставляет изображения и текстовые описания в общем пространстве признаков, поэтому подходит для классификации изображений по текстовым меткам без дополнительного дообучения и поиска изображений по описанию. Модель принимает изображения и текст, а выдаёт векторные представления и оценки сходства; размер входного изображения соответствует варианту CLIP 224.

Модель предназначена для сценариев, где классы можно задать текстовыми формулировками: например, для быстрой классификации изображений или прототипа поиска по визуальному содержимому. Лицензия — MIT. Ограничение: качество зависит от формулировок текстовых меток и распределения данных; сведения о поддерживаемых естественных языках в карточке модели не приведены.