/ Модель

Характеристики

Контекст
248 токенов
Архитектура
clip · dense
Базовая модель
LongCLIP-L
Опубликована
19 дек 2024

LongCLIP-SAE-ViT-L-14

Классификация изображений без дообученияИзображение, текст → label6 профессий

Дообученная модель Long-CLIP ViT-L/14 сопоставляет изображения с длинными текстовыми описаниями и поддерживает zero-shot-классификацию.

69скачиваний за 30 дней27лайковвеса 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 выпустил дообученную версию Long-CLIP ViT-L/14 с обучением на основе разреженного автоэнкодера (SAE) и состязательных примеров. Это модель семейства CLIP для сопоставления изображений с текстовыми описаниями и классификации изображений без примеров для заданных классов. Увеличенная длина текстового ввода позволяет лучше работать с длинными описаниями и следовать сложным промптам; автор также рекомендует её для использования с HunyuanVideo через специальный узел ComfyUI.

Модель принимает изображения и текстовые описания, кодирует их для сопоставления и выдаёт оценки соответствия. Она рассчитана на сценарии zero-shot-классификации и поиска изображений по тексту, а также может служить текстовым энкодером в генеративных видеопроцессах. Опубликована в формате safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

  • классификация изображений по текстовым меткам без обучающих примеров
  • поиск изображений по длинному текстовому описанию
  • сопоставление изображения с несколькими вариантами подписи
  • кодирование текстовых промптов для HunyuanVideo в ComfyUI

Ограничения

README отмечает, что для интеграции с HunyuanVideo рекомендуется специальный узел ComfyUI; без него различия в работе могут быть небольшими. Лицензия и конкретные количественные результаты оценки в предоставленных данных не указаны.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

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

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

image/png

The original CLIP model has 77 tokens max input - but only ~20 tokens effective length. See the original Long-CLIP paper for details. HunyuanVideo demo:

69 tokens, normal scene:

  • Lens: 16mm. Aperture: f/2.8. Color Grading: Blue-green monochrome. Lighting: Low-key with backlit silhouettes. Background: Gothic cathedral at night, stained glass windows breaking. Camera angle: Over the shoulder of a ninja, tracking her mid-air leap as she lands on a rooftop.

52 tokens, OOD (Out-of-Distribution) scene: Superior handling for consistency and prompt-following despite OOD concept.

  • In this surreal nightmare documentary, a sizable spider with a human face is peacefully savoring her breakfast at a diner. The spider has a spider body, but a lady's face on the front, and regular human hands at the end of the spider legs.

image/png

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
c3ff41c

0 моделей