К содержимому
Другое

tell-fit-clip

проверка соответствия заголовка и фото в браузере

2 мин чтенияобновлено

Модель определяет, действительно ли текстовый заголовок описывает прикреплённую к нему фотографию, и выдаёт вероятность несоответствия. В основе лежит связка из энкодера изображений openai/clip-vit-base-patch32 и мультиязычного текстового энкодера DistilBERT от sentence-transformers, переведённая в формат ONNX для запуска прямо на стороне клиента через ONNX Runtime Web. От обычных CLIP-моделей решение отличается квантованием весов до 8 бит (INT8) для компактного хранения в браузере и встроенной логистической калибровкой косинусного сходства. Инструмент пригодится разработчикам новостных агрегаторов, систем модерации контента и веб-приложений, где нужно отсеивать нерелевантные подписи к картинкам без нагрузки на сервер.

Ключевые особенности

  • Поддержка более 50 языков (включая английский и хинди) благодаря мультиязычному энкодеру DistilBERT и словарю WordPiece.
  • Полностью клиентский инференс в браузере с помощью ONNX Runtime Web без необходимости отправлять фото на бэкенд.
  • Компактное хранение весов в формате INT8 (с масштабированием на выходной канал) и обратным преобразованием во float32 при загрузке.
  • Откалиброванная оценка: косинусное сходство эмбеддингов пропускается через логистическую кривую из calibration.json для расчёта вероятности ошибки.

Что можно сделать

  • Встроить автоматическую проверку соответствия заголовков и иллюстраций в редактор новостей или систему премодерации веб-портала.
  • Запускать клиентский скрининг кликбейтных или ошибочных подписей к фотографиям прямо в браузере пользователя через ONNX Runtime Web.

Пример

В карточке приведена схема пайплайна инференса: изображение размером [n, 3, 224, 224] подаётся в fit_image_int8.onnx, а токенизированный текст (input_ids, attention_mask) — в fit_text_int8.onnx. Обе модели возвращают нормализованные векторы размерностью [n, 512], после чего их косинусное сходство переводится в вероятность несоответствия заголовка по параметрам из calibration.json.

ПодробнееНа бенчмарке Tell (50 фотографий с верным и случайным заголовками) 8-битная ONNX-версия совпадает по ранжированию с оригиналом на PyTorch во всех 50 случаях (разница косинусного сходства не более 0.011).
Метрика ROC AUC составляет 0.940 против 0.942 у полноразмерных моделей.
Ограничение: модель оценивает только визуальное соответствие сцены словам и не способна распознать правдоподобный, но фактически неверный заголовок (например, с ошибкой в месте или дате события).
Лицензии компонентов: MIT для openai/clip-vit-base-patch32 и Apache 2.0 для clip-ViT-B-32-multilingual-v1.
Обсудить Telegram 0

Запустится ли?

Запустится в INT8

Влезает без сжатия.

  • INT8рекомендуемвеса 0.1 GB · готовые файлы0.6 GB
  • 4-bitвеса 0.1 GB0.6 GB

Совет: берите 8-bit.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: INT8 — 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.

    # maosama0001/tell-fit-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 maosama0001/tell-fit-clip --local-dir ~/models/tell-fit-clip
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к tell-fit-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

Новые посты про версии tell-fit-clip — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

maosama0001/tell-fit-clip
Автор
maosama0001
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

GyroFlow

GyroFlow
Другое

PawCT и PagCT

PawCT и PagCT