Это визуальный энкодер SigLIP из библиотеки timm, разработанный для извлечения признаков изображений. Модель использует архитектуру ViT-Large с патчами 16×16 и входным разрешением 256 пикселей; в карточке указано, что сохранён оригинальный механизм attention pooling. Это только image encoder, без текстового энкодера.

Векторы признаков можно использовать для поиска изображений по сходству, кластеризации и как входные представления для последующих моделей. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.