/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
metaclip-2-mt5-worldwide-b32
Библиотека
zeromodels
Опубликована
30 июл 2026

metaclip2_mt5_worldwide_b32_224

Классификация изображений без дообученияИзображение, текст → label

Мультиязычная модель MetaCLIP 2 сопоставляет изображения с текстовыми метками для классификации без дообучения.

14скачиваний за 30 дней0лайковвеса обновлены26 авг 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

Это конверсия MetaCLIP 2 от zeromodels в формат Keras 3 на основе facebook/metaclip-2-mt5-worldwide-b32. Модель использует двухэнкодерную архитектуру CLIP и предназначена для классификации изображений по текстовым описаниям без дополнительного дообучения: она сопоставляет изображение с кандидатными текстовыми метками и оценивает их соответствие.

Мультиязычный вариант обучен на данных со всемирным языковым охватом; текстовый энкодер использует SentencePiece. Запросы и метки можно задавать на разных языках без отдельного мультиязычного чекпойнта. Реализация работает с TensorFlow, PyTorch и JAX; для согласования размера изображений и токенизатора рекомендуется использовать соответствующий Processor.

Модель подходит для мультиязычной zero-shot классификации изображений и ранжирования текстовых меток по соответствию изображению. Лицензия CC-BY-NC-4.0 разрешает использование на некоммерческих условиях.

Сценарии применения

  • классификация изображений по пользовательским текстовым категориям
  • сравнение изображения с несколькими описаниями на разных языках
  • поиск подходящей текстовой метки для изображения
  • мультиязычная категоризация изображений без размеченного датасета

Ограничения

Лицензия CC-BY-NC-4.0 ограничивает использование некоммерческими целями. Для корректной обработки следует использовать Processor, соответствующий варианту модели; качество на конкретных языках и категориях в карточке не приводится.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

See our collection for all versions of MetaCLIP 2.

Run MetaCLIP 2 with Keras 3: JAX, PyTorch, or TensorFlow

GitHub Docs Collection

zeromodels/metaclip2_mt5_worldwide_b32_224

Paper: MetaCLIP 2: A Worldwide Scaling Recipe (arXiv:2507.22062) · HF Papers

MetaCLIP 2 is a CLIP-architecture dual encoder trained on a worldwide, multi-language data distribution (not an English-filtered crawl). Worldwide variants use a 901k-token XLM-RoBERTa vocabulary instead of CLIP's English BPE; mt5 variants use SentencePiece. Class prompts can be non-English without a separate multilingual checkpoint.

For more details on the model, please go to the upstream model card.

Pure-Keras 3 conversion of facebook/metaclip-2-mt5-worldwide-b32 for zeromodels. One implementation runs unmodified on TensorFlow / Torch / JAX.

This is a zero-shot image-text checkpoint (MetaClip2ZeroShotClassify). The quick start below scores the same concept in English / French / Spanish / German against one distractor.

✨ Quick start (multilingual zero-shot)

import os
os.environ["KERAS_BACKEND"] = "torch"  # or "jax" / "tensorflow"

import keras
from zeromodels.models.metaclip2 import (
    MetaClip2Processor,
    MetaClip2ZeroShotClassify,
)

processor = MetaClip2Processor.from_weights("zeromodels/metaclip2_mt5_worldwide_b32_224")
model = MetaClip2ZeroShotClassify.from_weights("zeromodels/metaclip2_mt5_worldwide_b32_224")

# Same concept in four languages + one English distractor.
# Unlike CLIP (English BPE) / SigLIP v1, MetaCLIP 2 is trained worldwide.
labels = [
    "a photo of teddy bears",  # English
    "une photo d'ours en peluche",  # French
    "una foto de ositos de peluche",  # Spanish
    "ein Foto von Teddybären",  # German
    "a photo of a truck",  # distractor
]
inputs = processor(text=labels, image_paths="your_image.jpg")
output = model(
    {
        "images": inputs["images"],
        "token_ids": inputs["token_ids"],
        "padding_mask": inputs["padding_mask"],
    }
)
probs = keras.ops.convert_to_numpy(
    keras.ops.softmax(output["image_logits"], axis=-1)
).squeeze()
for label, p in zip(labels, probs):
    print(f"{p:.6f}  {label}")

Load any MetaCLIP 2 variant the same way with from_weights("zeromodels/<variant>"):

VariantHubNotes
metaclip2_worldwide_s16_224zeromodels/metaclip2_worldwide_s16_224
metaclip2_worldwide_s16_384zeromodels/metaclip2_worldwide_s16_384
metaclip2_worldwide_m16_224zeromodels/metaclip2_worldwide_m16_224
metaclip2_worldwide_m16_384zeromodels/metaclip2_worldwide_m16_384
metaclip2_worldwide_b16_224zeromodels/metaclip2_worldwide_b16_224
metaclip2_worldwide_b16_384zeromodels/metaclip2_worldwide_b16_384
metaclip2_worldwide_b32_224zeromodels/metaclip2_worldwide_b32_224
metaclip2_worldwide_b32_384zeromodels/metaclip2_worldwide_b32_384
metaclip2_worldwide_l14_224zeromodels/metaclip2_worldwide_l14_224
metaclip2_worldwide_huge_quickgeluzeromodels/metaclip2_worldwide_huge_quickgelu
metaclip2_worldwide_huge_378zeromodels/metaclip2_worldwide_huge_378
metaclip2_worldwide_giant_224zeromodels/metaclip2_worldwide_giant_224
metaclip2_worldwide_giant_378zeromodels/metaclip2_worldwide_giant_378
metaclip2_mt5_worldwide_s16_224zeromodels/metaclip2_mt5_worldwide_s16_224mT5 tokenizer
metaclip2_mt5_worldwide_m16_224zeromodels/metaclip2_mt5_worldwide_m16_224mT5 tokenizer
metaclip2_mt5_worldwide_b32_224zeromodels/metaclip2_mt5_worldwide_b32_224mT5 tokenizer

Tips

  • Set KERAS_BACKEND before importing Keras / zeromodels.
  • Prefer Processor.from_weights(...) so image size and tokenizer match the variant.
  • Processor returns token_ids / padding_mask (not input_ids / attention_mask).
  • Prompts can be non-English; keep accents exact (e.g. Teddybären vs Teddybaren).
  • Some large variants may convert on the fly from upstream if no prebuilt zeromodels weights are present.
  • See MetaCLIP 2 docs and Loading Weights.
  • Community / upstream safetensors still work via the hf: prefix, e.g. MetaClip2ZeroShotClassify.from_weights("hf:facebook/metaclip-2-mt5-worldwide-b32").

Special Thanks

A huge thank you to the Meta MetaCLIP 2 authors for creating and releasing these models.

License: CC-BY-NC-4.0 (non-commercial).

Как запустить

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

GPU в ailist

Универсальный рантайм · zeromodels

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
25f528b

0 моделей