Это визуальный энкодер SigLIP из библиотеки timm с архитектурой ViT-Large, патчами 16×16 и входным разрешением 384 пикселя. Модель преобразует изображение в признаки для последующего сравнения, поиска или использования в других системах машинного обучения; применяется глобальное усреднение признаков (global average pooling). Веса доступны в форматах PyTorch и Safetensors.

Модель предназначена для извлечения визуальных признаков, а не для генерации текста или изображений. Карточка не сообщает о поддерживаемых естественных языках или специализированных предметных областях. Лицензия Apache-2.0 разрешает использование и модификацию на её условиях.