/ Модель

Характеристики

Лицензия
MIT
Архитектура
caip · dense
Библиотека
transformers
Опубликована
7 июн 2026

caip-vitl256

ЭмбеддингиТекст → embedding3 профессии

CAIP — мультимодальный энкодер, сопоставляющий изображения, текст и эгоцентрические действия рук в общем пространстве эмбеддингов.

99скачиваний за 30 дней1лайквеса обновлены26 июл 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

CAIP (Contrastive Action-Image Pre-training) — модель-энкодер в стиле CLIP/SigLIP, предназначенная для сопоставления изображений, текста и действий, представленных эгоцентрической позой руки, в общем пространстве эмбеддингов. Она разработана в рамках проекта CAIP и подходит для извлечения признаков и построения векторных представлений этих данных.

Модель принимает изображения, текстовые описания и данные о позе руки, а выдаёт согласованные эмбеддинги, которые можно использовать для сравнения и поиска соответствий между модальностями. Доступны веса в формате safetensors; для загрузки меньшего объёма README указывает вариант bf16 размером около 1,75 ГБ. Репозиторий распространяется по лицензии MIT. В карточке не приведены сведения о поддерживаемых естественных языках и длине контекста.

Сценарии применения

  • поиск изображений по текстовому описанию
  • сопоставление изображения с позой руки
  • извлечение эмбеддингов изображений, текста и действий
  • поиск соответствий между визуальным наблюдением и действием руки

Ограничения

Модель ориентирована на сопоставление изображений, текста и эгоцентрических поз рук; карточка не сообщает о качестве на других типах действий или модальностях. Поддерживаемые естественные языки и длина контекста не описаны.

Для каких профессий подходит3

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

CAIP (Contrastive Action-Image Pre-training)

Project page

A CLIP/SigLIP-style encoder that aligns images, text, and egocentric hand-pose actions in a shared embedding space.

from transformers import AutoModel, AutoProcessor
from PIL import Image
import torch

REPO = "yuvansharma/caip-vitl256"
model = AutoModel.from_pretrained(REPO, trust_remote_code=True).eval()
processor = AutoProcessor.from_pretrained(REPO, trust_remote_code=True)

image = Image.open("example.png").convert("RGB")
inputs = processor(images=image, text="pick up the red cup", return_tensors="pt")

with torch.no_grad():
    out = model(**inputs)

# out.image_pooled    [B, 1024]       text-conditioned pooled image embedding
# out.patch_features  [B, 256, 1024]  patch tokens
# out.text_tokens     [B, 64, 1024]   text token embeddings
# out.text_pooled     [B, 1024]       pooled text embedding

# Encode an action chunk [B, T=64, 378] (42 joints x 9D) into the same space -> [B, 1024].
# Actions are delta hand-pose targets and must be normalized with the training
# statistics (mean-std, delta) before encoding -- see action_stats.json in this repo.
import json
from huggingface_hub import hf_hub_download

stats = json.load(open(hf_hub_download(REPO, "action_stats.json")))["delta"]
mean = torch.tensor(stats["mean"]).view(1, 64, 378)
std  = torch.tensor(stats["std"]).view(1, 64, 378)

actions = torch.randn(1, 64, 378)               # raw delta hand-pose chunk [B, 64, 378]
actions = (actions - mean) / std                # normalize (per-timestep, per-dim)
with torch.no_grad():
    action_emb = model.encode_action(actions)   # [B, 1024]

For a smaller download (~1.75 GB), load the bf16 weights with revision="bf16".

Citation

@misc{sharma2026contrastiveactionimagepretrainingvisuomotor,
      title={Contrastive Action-Image Pre-training for Visuomotor Control},
      author={Yuvan Sharma and Dantong Niu and Anirudh Pai and Zekai Wang and Zhuoyang Liu and Baifeng Shi and Stefano Saravalle and Boning Shao and Ruijie Zheng and Jing Wang and Konstantinos Kallidromitis and Yusuke Kato and Fabio Galasso and Yuke Zhu and Danfei Xu and Linxi "Jim" Fan and Jitendra Malik and Trevor Darrell and Roei Herzig},
      year={2026},
      eprint={2606.17256},
      archivePrefix={arXiv},
      primaryClass={cs.RO},
      url={https://arxiv.org/abs/2606.17256},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
CaipModel
Ревизия весов
614a7ea

0 моделей