Это вариант визуального энкодера Perception Encoder (PE), разработанного Meta и опубликованного в формате timm соображениями автора timm. Модель предназначена для извлечения признаков из изображений; её можно использовать как основу для последующих задач компьютерного зрения, включая классификацию и поиск по изображениям. Репозиторий включает веса для архитектуры Vision Transformer large с размером входа 448 × 448 и выходным вектором признаков размерности 1024.

Это image-only вариант весов PE Spatial; карточка указывает, что веса преобразованы для timm и не работают с исходным кодом моделирования. Вход модели — изображение, выход — признаки изображения. Репозиторий распространяется по лицензии Apache-2.0. Языковая поддержка для этого энкодера не заявлена.