/ Модель

Характеристики

Контекст
512 токенов
Лицензия
MIT
Архитектура
velavec · dense
Базовая модель
bge-small-en-v1.5
Опубликована
12 сен 2026

VelaVec-T2I

Сходство предложенийТекст → score4 профессии

Компактная модель текстовых и визуальных эмбеддингов для поиска изображений по текстовым описаниям, оптимизированная для направления текст→изображение.

61скачиваний за 30 дней0лайковвеса обновлены12 сен 2026

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

VelaVec-T2I — компактная гибридная модель для поиска изображений по тексту, разработанная автором репозитория xagent2025. Текстовая часть содержит 9,8 млн параметров: замороженную таблицу представлений размером 30 522 × 256, три двунаправленных блока внимания и два слоя пулинга. Дополнительная проекционная голова переводит признаки изображений CLIP в пространство текстовых эмбеддингов VelaVec, поддерживая поиск в обоих направлениях; модель оптимизирована прежде всего для поиска изображений по тексту.

В тесте на Flickr30k автор сообщает Recall@1 0,560 для поиска изображения по подписи и 0,619 для поиска подписи по изображению. Обучение проекционной головы проводилось на Flickr30k с контрастивной функцией InfoNCE. Для обработки изображений при инференсе требуются PyTorch, Transformers и признаки двух моделей CLIP — openai/clip-vit-base-patch32 и openai/clip-vit-large-patch14; их веса не включены в репозиторий. Лицензия — MIT.

Сценарии применения

  • поиск подходящих изображений по подписи или текстовому запросу
  • поиск подписей к заданному изображению
  • ранжирование изображений по сходству с текстовым описанием
  • построение мультимодального поиска по коллекции пар изображение–текст

Ограничения

Модель оптимизирована для поиска текст→изображение; качество поиска изображения→текст ниже, чем у сбалансированного варианта VelaVec-MultiModal. Инференс по изображениям требует PyTorch, Transformers и загрузки двух моделей CLIP; результаты Flickr30k являются оценкой на ограниченном наборе пар и не заменяют широкую мультимодальную оценку.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VelaVec-T2I

Text→Image retrieval variant of VelaVec — a lightweight hybrid retrieval encoder (frozen distilled table + 3-layer bidirectional attention + dual pooling heads). This variant adds a vision projection head that maps CLIP teacher image features into the VelaVec text-embedding space, enabling cross-modal retrieval on top of the 9.8M-parameter text trunk.

VelaVec-T2Itaskdirection
text→img r@1 (flickr30k)0.560caption → image retrievalt2i
img→text r@1 (flickr30k)0.619image → caption retrievali2t
CLIP teacher (upper bound)0.585 / 0.800b32+l14 ensemblet2i / i2t

Dedicated to the text→image direction (best single-head t2i on flickr30k eval). For image→text, see VelaVec-MultiModal (i2t r@1 = 0.650).

Model details

  • Text trunk: identical to VelaVec — frozen 30,522×256 static table → 3 BiBlocks (RMSNorm, RoPE, SwiGLU) → attention pooling, dual heads (head=0 symmetric, head=1 retrieval).
  • Vision head (config.vision): projection-only. Frozen CLIP teacher features — openai/clip-vit-base-patch32 (512d) + openai/clip-vit-large-patch14 (768d), L2-normalized and concatenated (1280d) — then a residual MLP (1280 → R768 → 256) into VelaVec space.
  • No CLIP weights are bundled: at inference, teacher features are produced by the HF transformers CLIPModel (auto-downloaded from the configured repo ids, offline cache supported); only the small projection head (±1.5M params) is in model.safetensors.
  • Projection training: all-5-description InfoNCE (caption→image softmax) with cosine-annealing + residual-anchor init from the best linear projection. No regression terms (they hurt t2i discrimination across images). Training data: flickr30k.

Usage

from modeling_velavec import VelaVec

model = VelaVec.from_pretrained("xagent2025/VelaVec-T2I")

# Text: VelaVec head-1 embeddings (retrieval head)
caps = model.encode(["a man riding a bicycle down a street"], head=1)

# Image: CLIP teacher features → projection head
from PIL import Image
imgs = [Image.open("photo.jpg")]
z_img = model.encode_image(imgs)          # [B,256] in the same space as text

score = z_img @ caps.T                     # caption→image ranking

Image preprocessing: resized/center-cropped to 224×224, CLIP normalization (same as teacher). No instruction prompting.

Files

FileDescription
model.safetensorsPyTorch weights — text trunk + vision projection head
config.jsonArchitecture config (vision.mode="proj", dual teacher)
modeling_velavec.pyStandalone inference module (text + image)
tokenizer.*, vocab.txtbge-small tokenizer (BAAI/bge-small-en-v1.5, MIT)

Relationship to other models

  • VelaVec — pure-text (no vision).
  • VelaVec-T2I — text→image optimized (this repo).
  • VelaVec-MultiModal — image→text balanced head (w-mse regression, i2t 0.650 / t2i 0.532).

Limitations

  • Dedicated to t2i; its i2t (0.619) trails the balanced variant.
  • Image inference requires PyTorch + transformers (teacher models); the pure-Rust path covers text only.
  • Rust engine (text path, 53.9× vs teacher, cargo build, MIT): xagent2025/velavec-rust-inference
  • flickr30k eval is a small paired retrieval pool (1000 images × 5000 captions) — indicative, not a full multimodal benchmark (e.g., COCO/Flickr30k 1K test protocols).

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура velavec неизвестна transformers в образе рантайма.

Класс архитектуры
VelaVec
Ревизия весов
f02ffd9

0 моделей