CAIP — мультимодальный энкодер, сопоставляющий изображения, текст и эгоцентрические действия рук в общем пространстве эмбеддингов.

Подходит для: поиск изображений по текстовому описанию · сопоставление изображения с позой руки · извлечение эмбеддингов изображений, текста и действий