Это визуальный энкодер ViT-Huge с патчами 14×14 из модели DFN CLIP, опубликованный библиотекой timm. Репозиторий содержит только веса энкодера изображений; модель предназначена для извлечения признаковых представлений изображений и может использоваться в системах поиска по изображениям или сопоставления визуальных признаков.

Модель принимает изображения и выдаёт векторы признаков. В карточке указаны форматы PyTorch и safetensors, а лицензия обозначена как other. Текстовый энкодер CLIP в репозитории не заявлен, поэтому для полноценного сопоставления изображений с текстом он может потребоваться отдельно.