/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
20 июн 2025

vit_pe_lang_large_patch14_448.fb

Эмбеддинги изображенийИзображение → embedding9 профессий

Визуальный энкодер Meta Perception Encoder Language для извлечения признаков изображений, в том числе для последующего OCR и анализа документов в мультимодальных системах.

203скачиваний за 30 дней1лайквеса обновлены20 июн 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

timm/vit_pe_lang_large_patch14_448.fb — вариант визуального энкодера Perception Encoder Language от Meta, преобразованный для библиотеки timm и содержащий только энкодер изображений. Это большая модель семейства ViT с патчами 14×14 и входным разрешением 448 пикселей; она обучена на контрастивных изображениях и текстах и дополнительно выровнена для языковых задач. В полном мультимодальном конвейере энкодер можно сочетать с языковым декодером, например Llama или Qwen.

Модель предназначена для получения визуальных признаков для поиска и других задач понимания изображений; семейство PE Lang особенно хорошо показало себя на OCR и анализе документов, включая ответы на вопросы по документам. Эта карточка содержит только визуальный энкодер: сама модель не генерирует текст и не принимает видео. Веса доступны в форматах PyTorch и safetensors по лицензии Apache 2.0.

Сценарии применения

  • извлечение признаков из изображений для поиска
  • подготовка визуальных признаков для ответов на вопросы по документам
  • визуальный энкодер для OCR-конвейеров
  • кодирование изображений перед обработкой языковым декодером

Ограничения

Карточка содержит только энкодер изображений, поэтому для генерации ответов или языкового анализа требуется отдельный декодер. Указанные результаты PE Lang получены в конфигурациях с дополнительным языковым декодером и не являются результатами этого энкодера отдельно.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Details

This is a timm remapped, image encoder only variant of the original weights.

[📃 Tech Report] [📂 Github]

Perception Encoder (PE) is a state-of-the-art encoder for image and video understanding trained via simple vision-language learning. It was introduced in "Perception Encoder: The best visual embeddings are not at the output of the network".

Model Developer: Meta

Model Overview: Perception Encoder (PE) is a family of large-scale vision encoder models with state-of-the-art performance on a large variety of vision tasks. By using a robust contrastive pretraining recipe and finetuning on synthetically aligned videos, PE not only outperforms all existing models on classification and retrieval, but it also internally produces strong, general features that scale for downstream tasks. PE unlocks the ability for large-scale contrastive pretraining to transfer to downstream tasks with alignment tuning to capitalize on those general features.

Perception Encoder: Language

PE lang takes the strong language performance from the intermediate layers of PE core and further aligns for language modeling following PLM. We specifically tuned PE lang to be versatile for any multimodal langugage modeling use case, including using different language model decoders (e.g., Llama / Qwen) and using different eval settings (e.g., native res / tiling). PE lang performs particularly well on OCR and document tasks.

We release two PE Lang checkpoints, L14-448 and G14-448. Here are their results our benchmark setting with frozen encoder with 2.6M SFT datamix, using 448px only (i.e., with no tiling) and Llama 3.1 8B as the decoder:

EncoderCheckpointDoc VQA (val)InfoQA (val)TextVQAMVBenchPerceptionTest (val)EgoSchema (val)
L/14 448pxPE-Lang-L14-44881.946.473.052.354.759.8
G/14 448pxPE-Lang-G14-44884.448.375.252.456.062.0

Here is a sample of the performance obtainable by using PE Core G aligned further with PLM-8B (stage 3) using 36+1 image tiles / 32 video frames with Llama 3.1 8B as the decoder:

ModelEncoderDoc VQA (test)InfoQA (test)TextVQAMVBenchPerceptionTest (test)EgoSchema (test)
PLM-8BPE-Core-G14-448*94.678.886.577.182.768.8

* The PE-Core-G14-448 checkpoint was further trained using tiling. We will release the tiling aligned checkpoint soon.

See the paper for full performance evaluations and fair comparisons to other models.

Citation

If you find our code useful for your research, please consider citing:

@article{bolya2025PerceptionEncoder,
  title={Perception Encoder: The best visual embeddings are not at the output of the network},
  author={Daniel Bolya and Po-Yao Huang and Peize Sun and Jang Hyun Cho and Andrea Madotto and Chen Wei and Tengyu Ma and Jiale Zhi and Jathushan Rajasegaran and Hanoona Rasheed and Junke Wang and Marco Monteiro and Hu Xu and Shiyu Dong and Nikhila Ravi and Daniel Li and Piotr Doll{\'a}r and Christoph Feichtenhofer},
  journal={arXiv},
  year={2025}
}

@article{cho2025PerceptionLM,
  title={PerceptionLM: Open-Access Data and Models for Detailed Visual Understanding},
  author={Jang Hyun Cho and Andrea Madotto and Effrosyni Mavroudi and Triantafyllos Afouras and Tushar Nagarajan and Muhammad Maaz and Yale Song and Tengyu Ma and Shuming Hu and Hanoona Rasheed and Peize Sun and Po-Yao Huang and Daniel Bolya and Suyog Jain and Miguel Martin and Huiyu Wang and Nikhila Ravi and Shashank Jain and Temmy Stark and Shane Moon and Babak Damavandi and Vivian Lee and Andrew Westbury and Salman Khan and Philipp Kr\"{a}henb\"{u}hl and Piotr Doll{\'a}r and Lorenzo Torresani and Kristen Grauman and Christoph Feichtenhofer},
  journal={arXiv},
  year={2025}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · timm · image-feature-extraction

Можно запустить

Подбираем GPU…

Ревизия весов
9e668cb

0 моделей