/ Модель

Характеристики

Контекст
77 токенов
Лицензия
MIT
Архитектура
clip · dense
Базовая модель
clip-vit-large-patch14
Библиотека
transformers
Опубликована
8 дек 2024

CLIP-SAE-ViT-L-14

Классификация изображений без дообученияИзображение, текст → label3 профессии

Дообученная CLIP ViT-L/14 модель сопоставляет изображения с текстовыми категориями для zero-shot классификации.

64скачиваний за 30 дней32лайкавеса обновлены25 янв 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

zer0int/CLIP-SAE-ViT-L-14 — это дообученная zer0int модель CLIP ViT-L/14 для классификации изображений без примеров обучения: она сопоставляет изображение с текстовыми категориями. Модель основана на openai/clip-vit-large-patch14 и использует архитектуру CLIP с плотными весами в формате Safetensors; обучение описано как adversarial fine-tuning с учётом sparse autoencoder (SAE).

Модель предназначена для zero-shot классификации и оценки соответствия изображения текстовым меткам. В README автор сообщает о результатах на ImageNet и ObjectNet, линейном пробнике в CLIP_benchmark и использовании с Flux.1 и HunyuanVideo; эти сценарии могут требовать отдельных интеграций или версий модели. В метаданных указаны датасеты adversarial typographic attack text-image и SPRIGHT COCO.

Модель принимает изображения и текстовые описания категорий и выдаёт оценки их соответствия. Лицензия — MIT. Заявленные в README метрики приведены автором; независимая проверка этих результатов в предоставленных материалах не описана.

Сценарии применения

  • классификация изображений по текстовым меткам без обучающих примеров
  • сопоставление изображения с описаниями или категориями
  • проверка устойчивости классификации к текстовым adversarial-атакам
  • оценка соответствия изображений и подписей в бенчмарках

Ограничения

Для классификации нужны подходящие текстовые метки, а качество зависит от формулировок категорий. Заявленные метрики и совместимость с Flux.1 или HunyuanVideo не подтверждены независимыми результатами в предоставленных материалах.

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

Love ❤️ this CLIP?

ᐅ Buy me a coffee on Ko-Fi ☕

3PscBrWYvrutXedLmvpcnQbE12Py8qLqMK

CLIP ViT-L/14 finetune: SAE-informed adversarial training

image/png

  • Interesting things with adversarial robustness to try: Right-click and download individual images: Image 1 -- Image 2 -- Image 3 image/png
  • Upload each into zero-shot [hopefully available soon on the right here->]
  • Try labels (class names): a photo of a cat, a photo of a dog, a photo of a text
  • Repeat the same with e.g. my GmP models models and see what happens. =)
  • I'm really hoping the HF format .safetensors conversion didn't mess anything up (it happens!); just in case it did, or if there's no inference API available to use:
  • I put a script that will do the same thing (on the not-converted model) on my GitHub repo. Plus, you can just reproduce the fine-tune yourself, as that code is also available! 🤗
  • 👉 All training info & code: github.com/zer0int/CLIP-SAE-finetune
  • ☕ Buy me a coffee

image/png

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · zero-shot-image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
CLIPModel
Ревизия весов
acd29db

0 моделей