К содержимому
Другое

CS-CLIP

улучшенный CLIP для точного сопоставления текста и картинок

2 мин чтенияобновлено

Модель CS-CLIP создана на базе OpenAI CLIP ViT-B/32 и дообучена на датасете с так называемыми hard negatives (сложными негативными примерами на основе графов сцен). Обычные модели CLIP часто путают порядок слов или отношения объектов, например, путая «человек на лошади» и «лошадь на человеке». Данный файнтюн решает эту проблему, обеспечивая более надежное композиционное рассуждение при поиске изображений по тексту и zero-shot классификации. Она будет полезна разработчикам мультимодальных систем и исследователям компьютерного зрения.

Ключевые особенности

  • Композиционное рассуждение: лучше справляется со сложными текстовыми описаниями и взаимосвязями объектов.
  • Совместимость архитектуры: сохраняет оригинальную структуру OpenAI CLIP ViT-B/32, хранение в fp32.
  • Обучение на COCO: тренировка проведена на почти 2 миллионах пар подписей и сложных негативов.
  • Двойной формат: доступны веса как для библиотеки OpenCLIP, так и для Transformers.

Что можно сделать

  • Улучшенный поиск: внедрить в поисковые системы по изображениям для точного сопоставления запросов со сложным контекстом.
  • Классификация: использовать для zero-shot классификации картинок без дополнительного обучения под конкретные классы.
  • Мультимодальные пайплайны: применить в связке с другими моделями компьютерного зрения, где критически важно понимать структуру текста и кадра.

Пример

Запуск модели с помощью библиотеки OpenCLIP:

import torch, open_clip
from PIL import Image

model, _, preprocess = open_clip.create_model_and_transforms("hf-hub:juns/CS-CLIP")
tokenizer = open_clip.get_tokenizer("hf-hub:juns/CS-CLIP")
model.eval()

image = preprocess(Image.open("example.jpg")).unsqueeze(0)
text = tokenizer(["a man riding a brown horse", "a brown man riding a horse"])
with torch.no_grad():
    sims = model.encode_image(image, normalize=True) @ model.encode_text(text, normalize=True).T
ПодробнееБенчмарки: SugarCrepe Avg 88.59, VG-Rel 85.96, GQA two-choice 71.27
Архитектура: OpenAI CLIP ViT-B/32 (QuickGELU), веса в fp32
Обучение: AdamW, lr 2e-6, batch size 128, 2 эпохи на COCO train2014
Ограничения: наследует общие предвзятости предобученного CLIP и дообучена только на данных COCO
Обсудить Telegram 0 29

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.6 GB · готовые файлы1.1 GB
  • BF16веса 0.3 GB0.8 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # juns/CS-CLIP
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download juns/CS-CLIP --local-dir ~/models/CS-CLIP
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к CS-CLIP
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

openai/clip-vit-base-patch32

Новые посты про версии clip-vit-base-patch32 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 10Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face
Слияния 2Все на Hugging Face

О модели

juns/CS-CLIP
Автор
juns
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

290

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Anlu s38000

Anlu s38000
Другое

Le Dog

Le Dog