模型介绍
中文整理模型名称
TIPS — S/14 (v1)
模型用途
TIPS（Text-Image Pre-training with Spatial awareness，ICLR 2025）是一个对比学习视觉-语言模型系列，能够生成与文本嵌入对齐的空间丰富图像特征。
主要能力
产生与文本嵌入对齐的空间丰富图像特征，支持零样本分类和空间特征可视化。
参数规格
| 变体 | 视觉参数 | 文本参数 | 嵌入维度 | 分辨率 |
|------|----------|----------|----------|--------|
| S/14 | 22M | 34M | 384 | 448 |
| B/14 | 86M | 110M | 768 | 448 |
| L/14 | 304M | 184M | 1024 | 448 |
| So400m/14 | 413M | 448M | 1152 | 448 |
| g/14 | 1.1B | 389M | 1536 | 448 |
| g/14 low-res | 1.1B | 389M | 1536 | 224 |
输入输出
输入：图像张量，数值范围[0, 1]，仅需ToTensor()转换，无需ImageNet归一化。
输出：两个CLS token。第二个CLS token（out.register）基于合成标题训练；第一个CLS token（out.cls）基于网络替代文本训练，是与文本塔对齐的输出。
运行要求
模型架构：ViT-S/14视觉编码器（12层，patch大小14，两个CLS token）+ 12层Transformer文本编码器
原生分辨率：448
其他patch倍数分辨率可通过位置嵌入插值实现
预处理：图像转换至[0, 1]，无归一化；使用SentencePiece分词器，小写处理，最大64个token
基本用法
加载模型
编码图像
编码文本
零样本分类
可视化空间特征
限制
第二个CLS token在合成标题上训练，第一个CLS token在网络替代文本上训练。使用时需根据任务选择合适的CLS token。
许可证
Apache 2.0
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖，以原作者说明为准。
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。