/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
metaclip-2-worldwide-m16-384
Библиотека
zeromodels
Опубликована
30 июл 2026

metaclip2_worldwide_m16_384

Классификация изображений без дообученияИзображение, текст → label

Многоязычная CLIP-модель для классификации изображений по текстовым меткам без отдельного обучения на заданных классах.

4скачиваний 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, подготовленная zeromodels на основе facebook/metaclip-2-worldwide-m16-384. Модель использует архитектуру CLIP с двумя энкодерами: один обрабатывает изображения, другой — текст. Она предназначена для классификации изображений по текстовым меткам без предварительного обучения на пользовательских классах: модель сопоставляет изображение с предложенными описаниями и оценивает их соответствие.

Вариант worldwide обучен на многоязычном распределении данных и использует словарь XLM-RoBERTa на 901 тыс. токенов, поэтому текстовые метки можно задавать на разных языках. Реализация на Keras 3 работает с TensorFlow, PyTorch и JAX. Распространяется по лицензии CC-BY-NC-4.0, допускающей использование только на некоммерческих условиях.

Сценарии применения

  • классификация изображений по пользовательским текстовым категориям
  • поиск изображений по описаниям на разных языках
  • сопоставление фотографии с набором возможных подписей
  • быстрая проверка визуальных концепций без обучения классификатора

Ограничения

Лицензия CC-BY-NC-4.0 запрещает коммерческое использование. Качество сопоставления зависит от формулировок текстовых меток и может различаться между языками.

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_worldwide_m16_384

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-worldwide-m16-384 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_worldwide_m16_384")
model = MetaClip2ZeroShotClassify.from_weights("zeromodels/metaclip2_worldwide_m16_384")

# 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-worldwide-m16-384").

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
63e9a59

0 моделей