/ Модель

Характеристики

Контекст
248 токенов
Архитектура
clip · dense
Базовая модель
LongCLIP-L
Опубликована
15 июн 2024

LongCLIP-GmP-ViT-L-14

Классификация изображений без дообученияИзображение, текст → label4 профессии

Дообученная версия LongCLIP для сопоставления изображений с длинными текстовыми описаниями и классификации изображений по текстовым меткам без дополнительного обучения.

3 850скачиваний за 30 дней80лайковвеса 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/LongCLIP-GmP-ViT-L-14 — дообученная модель CLIP, созданная zer0int на основе BeichenZhang/LongCLIP-L. Она предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения на этих классах. Модель также можно использовать как текстовый энкодер в рабочих процессах генерации изображений, включая Flux.1, SDXL и Stable Diffusion.

Модель основана на архитектуре CLIP ViT-L/14 и использует формат safetensors. В README описан вариант интеграции, поддерживающий до 248 токенов текста; упрощённый способ загрузки обрезает текст до 77 токенов. Автор сообщает об улучшении точности на ImageNet/ObjectNet до 0,89 относительно примерно 0,81 у исходного LongCLIP, но это результат указанной оценки, а не гарантия для других данных. Для корректной загрузки в Transformers и интеграции с ComfyUI могут потребоваться специальные настройки или узлы. В карточке указана лицензия MIT для исходной модели OpenAI CLIP; отдельные условия лицензирования дообученной модели не уточнены.

Сценарии применения

  • классификация изображений по заданным текстовым меткам
  • поиск изображений по длинному текстовому описанию
  • сопоставление изображения с подписью или запросом
  • использование CLIP как текстового энкодера в Flux.1 или SDXL
  • дообучение CLIP на специализированном наборе изображений

Ограничения

Упрощённый способ интеграции обрезает текст до 77 токенов; для поддержки до 248 токенов README рекомендует специальную интеграцию. Заявленное улучшение точности относится к оценке ImageNet/ObjectNet, а отдельная лицензия дообученной модели в карточке не уточнена.

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

🔥 Update SUMMER 2025: 🔥

🤖 New and greatly improved version of the model, check out:


A fine-tune of Long-CLIP - original model: BeichenZhang/LongCLIP-L

Love ❤️ this CLIP?

ᐅ Buy me a coffee on Ko-Fi ☕

3PscBrWYvrutXedLmvpcnQbE12Py8qLqMK

  • Want to feed it yourself? All code for fine-tuning and much more is on my GitHub.

  • Note for using Long-CLIP as the Text Encoder with Flux.1, SDXL, Stable Diffusion:

  • Get the ComfyUI Long-CLIP nodes here: https://github.com/SeaArtLab/ComfyUI-Long-CLIP
  • If you don't use Comfy, it's at least a starting point for reverse engineering & applying it to your code! 🤗

🚨 IMPORTANT NOTE for loading with HuggingFace Transformers: 👀

model_id = "zer0int/LongCLIP-GmP-ViT-L-14"

model = CLIPModel.from_pretrained(model_id)
processor = CLIPProcessor.from_pretrained(model_id)

❌ Error due to mismatch with defined 77 tokens in Transformers library

👇

Option 1 (simple & worse):

Truncate to 77 tokens CLIPModel.from_pretrained(model_id, ignore_mismatched_sizes=True)

# Cosine similarities for 77 tokens is WORSE:
# tensor[photo of a cat, picture of a dog, cat, dog] # image ground truth: cat photo
tensor([[0.16484, 0.0749, 0.1618, 0.0774]], device='cuda:0') 📉

👇

Option 2, proper integration: 💖 RECOMMENDED 💖

  • Solution for implementation of 248 tokens / thanks @kk3dmax 🤗

  • Obtain a full example script using this solution for Flux.1 inference on my GitHub
model_id = ("zer0int/LongCLIP-GmP-ViT-L-14")
config = CLIPConfig.from_pretrained(model_id)
config.text_config.max_position_embeddings = 248
clip_model = CLIPModel.from_pretrained(model_id, torch_dtype=dtype, config=config)
clip_processor = CLIPProcessor.from_pretrained(model_id, padding="max_length", max_length=248)

pipe.tokenizer = clip_processor.tokenizer  # Replace with the CLIP tokenizer
pipe.text_encoder = clip_model.text_model  # Replace with the CLIP text encoder
pipe.tokenizer_max_length = 248
pipe.text_encoder.dtype = torch.bfloat16
# Resulting Cosine Similarities for 248 tokens padded:
# tensor[photo of a cat, picture of a dog, cat, dog] -- image ground truth: cat photo
tensor([[0.2128, 0.0978, 0.1957, 0.1133]], device='cuda:0') ✅

Update 12/AUG/2024:

New BEST model, custom loss with label smoothing. Small gain for a diverse and large good quality dataset, but big relative gains for an overfit-prone fine-tune (small batch size, 1 GPU, narrow dataset of e.g. 'sneakers', etc.) are possible! Fine-tune your model with the provided code for GmP-Smooth: https://github.com/zer0int/Long-CLIP

image/png


The fine-tune has an improved ImageNet/ObjectNet accuracy of 0.89 (original Long-CLIP by the authors:~0.81)**.

Made possible with Geometric Parametrization (GmP):


"Normal" CLIP MLP (multi-layer perceptron):

(mlp): Sequential(
  |-(c_fc): Linear(in_features=1024, out_features=4096, bias=True)
  | (gelu): QuickGELU()
|-}-(c_proj): Linear(in_features=4096, out_features=1024, bias=True)
| | 
| |-- visual.transformer.resblocks.0.mlp.c_fc.weight
| |-- visual.transformer.resblocks.0.mlp.c_fc.bias
|
|---- visual.transformer.resblocks.0.mlp.c_proj.weight
|---- visual.transformer.resblocks.0.mlp.c_proj.bias


GmP CLIP MLP:

Weight decomposition into:
- radial component 'r' as norm of pre-trained weights
- angular component 'theta' as normalized direction
-> preserves weight vectors' directionality and magnitude

(mlp): Sequential(
  |-(c_fc): GeometricLinear()
  | (gelu): QuickGELU()
|-}-(c_proj): GeometricLinear()
| | 
| |-- visual.transformer.resblocks.0.mlp.c_fc.r
| |-- visual.transformer.resblocks.0.mlp.c_fc.theta
| |-- visual.transformer.resblocks.0.mlp.c_fc.bias
|
|---- visual.transformer.resblocks.0.mlp.c_proj.r
|---- visual.transformer.resblocks.0.mlp.c_proj.theta
|---- visual.transformer.resblocks.0.mlp.c_proj.bias

(Same thing for [text] transformer.resblocks)

image/png

✅ The model / state_dict I am sharing was converted back to .weight after fine-tuning - alas, it can be used in the same manner as any state_dict, e.g. for use with ComfyUI as the SDXL / SD3 Text Encoder using SeaArtLab/ComfyUI-Long-CLIP custom nodes! 🤗

** For details on training and those numbers / the eval, or for just fine-tuning the model yourself, see: https://github.com/zer0int/Long-CLIP

@article{zhang2024longclip,
        title={Long-CLIP: Unlocking the Long-Text Capability of CLIP},
        author={Beichen Zhang and Pan Zhang and Xiaoyi Dong and Yuhang Zang and Jiaqi Wang},
        journal={arXiv preprint arXiv:2403.15378},
        year={2024}
}

Pre-trained CLIP model by OpenAI, License: MIT License

Как запустить

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

GPU в ailist

Универсальный рантайм · zero-shot-image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
CLIPModel
Ревизия весов
b476fa9

0 моделей