/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
metaclip-2-mt5-worldwide-m16
Библиотека
zeromodels
Опубликована
30 июл 2026

metaclip2_mt5_worldwide_m16_224

Классификация изображений без дообученияИзображение, текст → label3 профессии

Многоязычная модель MetaCLIP 2 сопоставляет изображения с текстовыми метками для классификации без обучения на конкретных классах.

21скачиваний 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

zeromodels/metaclip2_mt5_worldwide_m16_224 — конверсия MetaCLIP 2, подготовленная проектом zeromodels в формате Keras 3. В основе — двухкодерная архитектура CLIP для сопоставления изображений и текста; реализация работает с TensorFlow, Torch и JAX.

Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на заданных классах: она оценивает соответствие изображения предложенным текстовым меткам. Вариант worldwide обучен на многоязычном распределении данных, а версия mt5 использует SentencePiece; запросы-классы можно формулировать на разных языках, включая английский, французский, испанский и немецкий. Суффикс 224 указывает на вариант модели, однако карточка не сообщает размер параметров или длину контекста.

Подходит для прототипирования мультиязычной классификации изображений и поиска подходящих текстовых меток. Качество зависит от формулировки описаний и набора кандидатов; карточка не приводит количественных оценок качества. Лицензия CC-BY-NC-4.0 разрешает использование на некоммерческих условиях.

Сценарии применения

  • классификация изображений по пользовательским текстовым меткам
  • сравнение соответствия изображения описаниям на разных языках
  • быстрая проверка набора категорий без обучения классификатора
  • прототипирование мультиязычного поиска по изображениям

Ограничения

Качество зависит от формулировки текстовых меток и выбранных кандидатов; количественные оценки в карточке не приведены. Лицензия CC-BY-NC-4.0 ограничивает использование некоммерческими целями.

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

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_m16_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-m16 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_m16_224")
model = MetaClip2ZeroShotClassify.from_weights("zeromodels/metaclip2_mt5_worldwide_m16_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-m16").

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
518ed81

0 моделей