[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-apple--ml-aim":3,"tool-apple--ml-aim":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",143909,2,"2026-04-07T11:33:18",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":32,"env_os":89,"env_gpu":90,"env_ram":91,"env_deps":92,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":104,"updated_at":105,"faqs":106,"releases":142},5242,"apple\u002Fml-aim","ml-aim","This repository provides the code and model checkpoints for AIMv1 and AIMv2 research projects.","ml-aim 是苹果开源的一系列视觉与多模态学习模型，包含 AIMv1 和 AIMv2 两个核心版本。它采用自回归预训练技术，让 AI 像“读句子”一样逐块理解图像内容，从而大幅提升机器对视觉信息的认知能力。\n\n该项目主要解决了传统视觉模型在多模态理解、开放词汇检测及高分辨率图像识别上的瓶颈。相比业界知名的 CLIP 或 DINOv2，ml-aim 在多项基准测试中表现更优：其 AIMv2 版本不仅能更精准地理解图文关系，还在冻结主干网络的情况下，于 ImageNet 数据集上取得了 89.5% 的惊人识别准确率。此外，它支持从 224 像素到原生分辨率的灵活输入，并提供了蒸馏版模型以优化多模态应用性能。\n\nml-aim 非常适合人工智能研究人员、算法工程师及深度学习开发者使用。无论是希望探索前沿视觉架构的学者，还是需要高性能底座来构建多模态应用的技术团队，都能从中获益。项目技术亮点显著，不仅训练流程简洁易扩展，还贴心地提供了 PyTorch、JAX 以及专为苹果芯片优化的 MLX 后端支持，并开放了不同容量的预训练权重，方便用户直接在 Hugging Face 等平台调用，快速开展实","ml-aim 是苹果开源的一系列视觉与多模态学习模型，包含 AIMv1 和 AIMv2 两个核心版本。它采用自回归预训练技术，让 AI 像“读句子”一样逐块理解图像内容，从而大幅提升机器对视觉信息的认知能力。\n\n该项目主要解决了传统视觉模型在多模态理解、开放词汇检测及高分辨率图像识别上的瓶颈。相比业界知名的 CLIP 或 DINOv2，ml-aim 在多项基准测试中表现更优：其 AIMv2 版本不仅能更精准地理解图文关系，还在冻结主干网络的情况下，于 ImageNet 数据集上取得了 89.5% 的惊人识别准确率。此外，它支持从 224 像素到原生分辨率的灵活输入，并提供了蒸馏版模型以优化多模态应用性能。\n\nml-aim 非常适合人工智能研究人员、算法工程师及深度学习开发者使用。无论是希望探索前沿视觉架构的学者，还是需要高性能底座来构建多模态应用的技术团队，都能从中获益。项目技术亮点显著，不仅训练流程简洁易扩展，还贴心地提供了 PyTorch、JAX 以及专为苹果芯片优化的 MLX 后端支持，并开放了不同容量的预训练权重，方便用户直接在 Hugging Face 等平台调用，快速开展实验与开发工作。","# Autoregressive Pre-training of Large Vision Encoders\n\u003Cdiv>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2411.14402\" target=\"_blank\">\u003Cimg alt=\"AIMv2 arXiv\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-AIMv2-red?logo=arxiv\"\u002F>\u003C\u002Fa>\n\u003Ca href=\"#aimv2-model-gallery\">\u003Cimg alt=\"AIMv2 model gallery\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fmodel_gallery-AIMv2-blue\"\u002F>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2401.08541\" target=\"_blank\">\u003Cimg alt=\"AIMv1 arXiv\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-AIMv1-red?logo=arxiv\"\u002F>\u003C\u002Fa>\n\u003Ca href=\"aim-v1\u002FREADME.md#pre-trained-backbones\"> \u003Cimg alt=\"AIMv1 model gallery\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fmodel_gallery-AIMv1-blue\"\u002F>\u003C\u002Fa>\n\u003C\u002Fdiv>\n\nThis repository is the entry point for all things AIM, a family of autoregressive models that push the boundaries of\nvisual and multimodal learning:\n\n- **AIMv2**: [`Multimodal Autoregressive Pre-training of Large Vision Encoders`](https:\u002F\u002Farxiv.org\u002Fabs\u002F2411.14402)  [[`BibTeX`](#citation)] [**CVPR 2025 (Highlight)**]\n  \u003Cbr>\n  Enrico Fini*, Mustafa Shukor*, Xiujun Li, Philipp Dufter, Michal Klein, David Haldimann, Sai Aitharaju,\n  Victor Guilherme Turrisi da Costa, Louis Béthune, Zhe Gan, Alexander T Toshev, Marcin Eichner, Moin Nabi, Yinfei Yang,\n  Joshua M. Susskind, and Alaaeldin El-Nouby*\n- **AIMv1**: [`Scalable Pre-training of Large Autoregressive Image Models`](https:\u002F\u002Farxiv.org\u002Fabs\u002F2401.08541) [[`BibTeX`](#citation)][**ICML 2024**]\u003Cbr>\n  Alaaeldin El-Nouby, Michal Klein, Shuangfei Zhai, Miguel Angel Bautista, Alexander Toshev, Vaishaal Shankar,\n  Joshua M Susskind, Armand Joulin.\n\n*: Equal technical contribution\n\nIf you're looking for the original AIM model (AIMv1), please refer to the README [here](aim-v1\u002FREADME.md).\n\n---\n\n## Overview of AIMv2\nWe introduce the AIMv2 family of vision models pre-trained with a multimodal autoregressive objective.\nAIMv2 pre-training is simple and straightforward to train and to scale effectively. Some AIMv2 highlights include:\n\n1. Outperforms OAI CLIP and SigLIP on the majority of multimodal understanding benchmarks.\n2. Outperforms DINOv2 on open-vocabulary object detection and referring expression comprehension.\n3. Exhibits strong recognition performance with AIMv2-3B achieving *89.5% on ImageNet using a frozen trunk*.\n\n![gh_aimv2_dark](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapple_ml-aim_readme_ccd010c9c421.png)\n![gh_aimv2_light](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapple_ml-aim_readme_e9d37783eba9.png)\n\n## AIMv2 Model Gallery\n\u003Cdiv>\n\u003Ca href=\"#using-pytorch\">\u003Cimg alt=\"PyTorch\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPyTorch-EE4C2C?style=for-the-badge&logo=pytorch&logoColor=white\" height=\"25\"\u002F>\u003C\u002Fa>\n\u003Ca href=\"#using-jax\">\u003Cimg alt=\"JAX\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapple_ml-aim_readme_165be0d1697a.png\" height=\"25\"\u002F>\u003C\u002Fa>\n\u003Ca href=\"#using-mlx\">\u003Cimg alt=\"MLX\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapple_ml-aim_readme_809369ed6425.png\" height=\"25\"\u002F>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fcollections\u002Fapple\u002Faimv2-6720fe1558d94c7805f7688c\">\u003Cimg alt=\"HuggingFace\" src=\"https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fhuggingface\u002Fbadges\u002Fresolve\u002Fmain\u002Fmodel-on-hf-md.svg\" height=\"25\">\u003C\u002Fa>\n\u003C\u002Fdiv>\n\nWe share with the community AIMv2 pre-trained checkpoints of varying capacities, pre-training resolutions:\n\n+ [[`AIMv2 with 224px`]](#aimv2-with-224px)\n+ [[`AIMv2 with 336px`]](#aimv2-with-336px)\n+ [[`AIMv2 with 448px`]](#aimv2-with-448px)\n+ [[`AIMv2 with Native Resolution`]](#aimv2-with-native-resolution)\n+ [[`AIMv2 distilled ViT-Large`]](#aimv2-distilled-vit-large) (*recommended for multimodal applications*)\n+ [[`Zero-shot Adapted AIMv2`]](#zero-shot-adapted-aimv2)\n\n## Installation\nPlease install PyTorch using the official [installation instructions](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F).\nAfterward, install the package as:\n```commandline\npip install 'git+https:\u002F\u002Fgithub.com\u002Fapple\u002Fml-aim.git#subdirectory=aim-v1'\npip install 'git+https:\u002F\u002Fgithub.com\u002Fapple\u002Fml-aim.git#subdirectory=aim-v2'\n```\nWe also offer [MLX](https:\u002F\u002Fml-explore.github.io\u002Fmlx\u002F) backend support for research and experimentation on Apple silicon.\nTo enable MLX support, simply run:\n```commandline\npip install mlx\n```\n\n## Examples\n\n### Using PyTorch\n\n```python\nfrom PIL import Image\n\nfrom aim.v2.utils import load_pretrained\nfrom aim.v1.torch.data import val_transforms\n\nimg = Image.open(...)\nmodel = load_pretrained(\"aimv2-large-patch14-336\", backend=\"torch\")\ntransform = val_transforms(img_size=336)\n\ninp = transform(img).unsqueeze(0)\nfeatures = model(inp)\n```\n\n### Using MLX\n\u003Cdetails>\n\n```python\nfrom PIL import Image\nimport mlx.core as mx\n\nfrom aim.v2.utils import load_pretrained\nfrom aim.v1.torch.data import val_transforms\n\nimg = Image.open(...)\nmodel = load_pretrained(\"aimv2-large-patch14-336\", backend=\"mlx\")\ntransform = val_transforms(img_size=336)\n\ninp = transform(img).unsqueeze(0)\ninp = mx.array(inp.numpy())\nfeatures = model(inp)\n```\n\u003C\u002Fdetails>\n\n### Using JAX\n\n\u003Cdetails>\n\n```python\nfrom PIL import Image\nimport jax.numpy as jnp\n\nfrom aim.v2.utils import load_pretrained\nfrom aim.v1.torch.data import val_transforms\n\nimg = Image.open(...)\nmodel, params = load_pretrained(\"aimv2-large-patch14-336\", backend=\"jax\")\ntransform = val_transforms(img_size=336)\n\ninp = transform(img).unsqueeze(0)\ninp = jnp.array(inp)\nfeatures = model.apply({\"params\": params}, inp)\n```\n\u003C\u002Fdetails>\n\n## Pre-trained Checkpoints\nThe pre-trained models can be accessed via [HuggingFace Hub](https:\u002F\u002Fhuggingface.co\u002Fcollections\u002Fapple\u002Faimv2-6720fe1558d94c7805f7688c) as:\n```python\nfrom PIL import Image\nfrom transformers import AutoImageProcessor, AutoModel\n\nimage = Image.open(...)\nprocessor = AutoImageProcessor.from_pretrained(\"apple\u002Faimv2-large-patch14-336\")\nmodel = AutoModel.from_pretrained(\"apple\u002Faimv2-large-patch14-336\", trust_remote_code=True)\n\ninputs = processor(images=image, return_tensors=\"pt\")\noutputs = model(**inputs)\n```\n\n### AIMv2 with 224px\n\u003Ctable style=\"margin: auto\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>model_id\u003C\u002Fth>\n      \u003Cth>#params\u003C\u002Fth>\n      \u003Cth>IN-1k\u003C\u002Fth>\n      \u003Cth>HF Link\u003C\u002Fth>\n      \u003Cth>Backbone\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody align=\"center\">\n    \u003Ctr>\n      \u003Ctd>aimv2-large-patch14-224\u003C\u002Ftd>\n      \u003Ctd>0.3B\u003C\u002Ftd>\n      \u003Ctd>86.6\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-224\" target=\"_blank\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-224\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-huge-patch14-224\u003C\u002Ftd>\n      \u003Ctd>0.6B\u003C\u002Ftd>\n      \u003Ctd>87.5\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-huge-patch14-224\" target=\"_blank\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-huge-patch14-224\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-1B-patch14-224\u003C\u002Ftd>\n      \u003Ctd>1.2B\u003C\u002Ftd>\n      \u003Ctd>88.1\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-1B-patch14-224\" target=\"_blank\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-1B-patch14-224\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-3B-patch14-224\u003C\u002Ftd>\n      \u003Ctd>2.7B\u003C\u002Ftd>\n      \u003Ctd>88.5\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-3B-patch14-224\" target=\"_blank\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-3B-patch14-224\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n### AIMv2 with 336px\n\u003Ctable style=\"margin: auto\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>model_id\u003C\u002Fth>\n      \u003Cth>#params\u003C\u002Fth>\n      \u003Cth>IN-1k\u003C\u002Fth>\n      \u003Cth>HF Link\u003C\u002Fth>\n      \u003Cth>Backbone\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody align=\"center\">\n    \u003Ctr>\n      \u003Ctd>aimv2-large-patch14-336\u003C\u002Ftd>\n      \u003Ctd>0.3B\u003C\u002Ftd>\n      \u003Ctd>87.6\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-336\" target=\"_blank\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-336\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-huge-patch14-336\u003C\u002Ftd>\n      \u003Ctd>0.6B\u003C\u002Ftd>\n      \u003Ctd>88.2\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-huge-patch14-336\" target=\"_blank\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-huge-patch14-336\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-1B-patch14-336\u003C\u002Ftd>\n      \u003Ctd>1.2B\u003C\u002Ftd>\n      \u003Ctd>88.7\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-1B-patch14-336\" target=\"_blank\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-1B-patch14-336\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-3B-patch14-336\u003C\u002Ftd>\n      \u003Ctd>2.7B\u003C\u002Ftd>\n      \u003Ctd>89.2\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-3B-patch14-336\" target=\"_blank\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-3B-patch14-336\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n### AIMv2 with 448px\n\u003Ctable style=\"margin: auto\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>model_id\u003C\u002Fth>\n      \u003Cth>#params\u003C\u002Fth>\n      \u003Cth>IN-1k\u003C\u002Fth>\n      \u003Cth>HF Link\u003C\u002Fth>\n      \u003Cth>Backbone\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody align=\"center\">\n    \u003Ctr>\n      \u003Ctd>aimv2-large-patch14-448\u003C\u002Ftd>\n      \u003Ctd>0.3B\u003C\u002Ftd>\n      \u003Ctd>87.9\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-448\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-448\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-huge-patch14-448\u003C\u002Ftd>\n      \u003Ctd>0.6B\u003C\u002Ftd>\n      \u003Ctd>88.6\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-huge-patch14-448\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-huge-patch14-448\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-1B-patch14-448\u003C\u002Ftd>\n      \u003Ctd>1.2B\u003C\u002Ftd>\n      \u003Ctd>89.0\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-1B-patch14-448\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-1B-patch14-448\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-3B-patch14-448\u003C\u002Ftd>\n      \u003Ctd>2.7B\u003C\u002Ftd>\n      \u003Ctd>89.5\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-3B-patch14-448\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-3B-patch14-448\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n### AIMv2 with Native Resolution\nWe additionally provide an AIMv2-L checkpoint that is finetuned to process a wide range of image resolutions and\naspect ratios. Regardless of the aspect ratio, the image is patchified (patch_size=14) and\n*a 2D sinusoidal positional embedding* is added to the linearly projected input patches.\n*This checkpoint supports number of patches in the range of [112, 4096]*.\n\n\u003Ctable style=\"margin: auto\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>model_id\u003C\u002Fth>\n      \u003Cth>#params\u003C\u002Fth>\n      \u003Cth>IN-1k\u003C\u002Fth>\n      \u003Cth>HF Link\u003C\u002Fth>\n      \u003Cth>Backbone\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody align=\"center\">\n    \u003Ctr>\n      \u003Ctd>aimv2-large-patch14-native\u003C\u002Ftd>\n      \u003Ctd>0.3B\u003C\u002Ftd>\n      \u003Ctd>87.3\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-native\" target=\"_blank\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-native\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n### AIMv2 distilled ViT-Large\nWe provide an AIMv2-L checkpoint distilled from AIMv2-3B that provides a remarkable performance for multimodal\nunderstanding benchmarks.\n\n\u003Ctable style=\"margin: auto\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Model\u003C\u002Fth>\n      \u003Cth>VQAv2\u003C\u002Fth>\n      \u003Cth>GQA\u003C\u002Fth>\n      \u003Cth>OKVQA\u003C\u002Fth>\n      \u003Cth>TextVQA\u003C\u002Fth>\n      \u003Cth>DocVQA\u003C\u002Fth>\n      \u003Cth>InfoVQA\u003C\u002Fth>\n      \u003Cth>ChartQA\u003C\u002Fth>\n      \u003Cth>SciQA\u003C\u002Fth>\n      \u003Cth>MMEp\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody align=\"center\">\n    \u003Ctr>\n      \u003Ctd>AIMv2-L\u003C\u002Ftd>\n      \u003Ctd>80.2\u003C\u002Ftd>\n      \u003Ctd>72.6\u003C\u002Ftd>\n      \u003Ctd>60.9\u003C\u002Ftd>\n      \u003Ctd>53.9\u003C\u002Ftd>\n      \u003Ctd>26.8\u003C\u002Ftd>\n      \u003Ctd>22.4\u003C\u002Ftd>\n      \u003Ctd>20.3\u003C\u002Ftd>\n      \u003Ctd>74.5\u003C\u002Ftd>\n      \u003Ctd>1457\u003C\u002Ftd>\n     \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>AIMv2-L-distilled\u003C\u002Ftd>\n      \u003Ctd>81.1\u003C\u002Ftd>\n      \u003Ctd>73.0\u003C\u002Ftd>\n      \u003Ctd>61.4\u003C\u002Ftd>\n      \u003Ctd>53.5\u003C\u002Ftd>\n      \u003Ctd>29.2\u003C\u002Ftd>\n      \u003Ctd>23.3\u003C\u002Ftd>\n      \u003Ctd>24.0\u003C\u002Ftd>\n      \u003Ctd>76.3\u003C\u002Ftd>\n      \u003Ctd>1627\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ctable style=\"margin: auto\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>model_id\u003C\u002Fth>\n      \u003Cth>#params\u003C\u002Fth>\n      \u003Cth>Res.\u003C\u002Fth>\n      \u003Cth>HF Link\u003C\u002Fth>\n      \u003Cth>Backbone\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody align=\"center\">\n    \u003Ctr>\n      \u003Ctd>aimv2-large-patch14-224-distilled\u003C\u002Ftd>\n      \u003Ctd>0.3B\u003C\u002Ftd>\n      \u003Ctd>224px\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-224-distilled\" target=\"_blank\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-224-distilled\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-large-patch14-336-distilled\u003C\u002Ftd>\n      \u003Ctd>0.3B\u003C\u002Ftd>\n      \u003Ctd>336px\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-336-distilled\" target=\"_blank\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-336-distilled\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n### Zero-shot Adapted AIMv2\nWe provide the AIMv2-L vision and text encoders after LiT tuning to enable zero-shot recognition.\n\n\u003Ctable style=\"margin: auto\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>model\u003C\u002Fth>\n      \u003Cth>#params\u003C\u002Fth>\n      \u003Cth>zero-shot IN1-k\u003C\u002Fth>\n      \u003Cth>Backbone\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody align=\"center\">\n    \u003Ctr>\n      \u003Ctd>AIMv2-L\u003C\u002Ftd>\n      \u003Ctd>0.3B\u003C\u002Ftd>\n      \u003Ctd>77.0\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-224-lit\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n## Citation\nIf you find our work useful, please consider citing us as:\n\n### AIMv2 bibtex\n\n```bibtex\n@misc{fini2024multimodal,\n    title={Multimodal Autoregressive Pre-training of Large Vision Encoders},\n    author={Enrico Fini and Mustafa Shukor and Xiujun Li and Philipp Dufter and Michal Klein and David Haldimann and Sai Aitharaju and Victor Guilherme Turrisi da Costa and Louis Béthune and Zhe Gan and Alexander T Toshev and Marcin Eichner and Moin Nabi and Yinfei Yang and Joshua M. Susskind and Alaaeldin El-Nouby},\n    year={2024},\n    eprint={2411.14402},\n    archivePrefix={arXiv},\n    primaryClass={cs.CV}\n}\n```\n\n### AIMv1 bibtex\n\n```bibtex\n@InProceedings{pmlr-v235-el-nouby24a,\n  title     = {Scalable Pre-training of Large Autoregressive Image Models},\n  author    = {El-Nouby, Alaaeldin and Klein, Michal and Zhai, Shuangfei and Bautista, Miguel \\'{A}ngel and Shankar, Vaishaal and Toshev, Alexander T and Susskind, Joshua M. and Joulin, Armand},\n  booktitle = {Proceedings of the 41st International Conference on Machine Learning},\n  pages     = {12371--12384},\n  year      = {2024},\n}\n```\n\n## License\nPlease check out the repository [LICENSE](LICENSE) before using the provided code and models.\n","# 大型视觉编码器的自回归预训练\n\u003Cdiv>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2411.14402\" target=\"_blank\">\u003Cimg alt=\"AIMv2 arXiv\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-AIMv2-red?logo=arxiv\"\u002F>\u003C\u002Fa>\n\u003Ca href=\"#aimv2-model-gallery\">\u003Cimg alt=\"AIMv2 模型图库\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fmodel_gallery-AIMv2-blue\"\u002F>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2401.08541\" target=\"_blank\">\u003Cimg alt=\"AIMv1 arXiv\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-AIMv1-red?logo=arxiv\"\u002F>\u003C\u002Fa>\n\u003Ca href=\"aim-v1\u002FREADME.md#pre-trained-backbones\"> \u003Cimg alt=\"AIMv1 模型图库\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fmodel_gallery-AIMv1-blue\"\u002F>\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n本仓库是 AIM 系列的所有相关内容入口，AIM 是一系列突破视觉和多模态学习边界的自回归模型：\n\n- **AIMv2**: [`大型视觉编码器的多模态自回归预训练`](https:\u002F\u002Farxiv.org\u002Fabs\u002F2411.14402)  [[`BibTeX`](#citation)] [**CVPR 2025（亮点）**]\n  \u003Cbr>\n  Enrico Fini*, Mustafa Shukor*, Xiujun Li, Philipp Dufter, Michal Klein, David Haldimann, Sai Aitharaju,\n  Victor Guilherme Turrisi da Costa, Louis Béthune, Zhe Gan, Alexander T Toshev, Marcin Eichner, Moin Nabi, Yinfei Yang,\n  Joshua M. Susskind, 和 Alaaeldin El-Nouby*\n- **AIMv1**: [`大型自回归图像模型的可扩展预训练`](https:\u002F\u002Farxiv.org\u002Fabs\u002F2401.08541) [[`BibTeX`](#citation)][**ICML 2024**]\u003Cbr>\n  Alaaeldin El-Nouby, Michal Klein, Shuangfei Zhai, Miguel Angel Bautista, Alexander Toshev, Vaishaal Shankar,\n  Joshua M Susskind, Armand Joulin。\n\n*: 技术贡献相等\n\n如果您正在寻找原始的 AIM 模型（AIMv1），请参阅此处的 README 文件 [这里](aim-v1\u002FREADME.md)。\n\n---\n\n## AIMv2 概述\n我们推出了使用多模态自回归目标进行预训练的 AIMv2 视觉模型系列。AIMv2 的预训练过程简单直接，易于训练且能有效扩展。AIMv2 的一些亮点包括：\n\n1. 在大多数多模态理解基准测试中，性能优于 OAI CLIP 和 SigLIP。\n2. 在开放词汇的目标检测和指代表达理解任务上，性能超越 DINOv2。\n3. 展现出强大的识别能力，其中 AIMv2-3B 在使用冻结主干的情况下，在 ImageNet 上达到了 *89.5% 的准确率*。\n\n![gh_aimv2_dark](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapple_ml-aim_readme_ccd010c9c421.png)\n![gh_aimv2_light](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapple_ml-aim_readme_e9d37783eba9.png)\n\n## AIMv2 模型图库\n\u003Cdiv>\n\u003Ca href=\"#using-pytorch\">\u003Cimg alt=\"PyTorch\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPyTorch-EE4C2C?style=for-the-badge&logo=pytorch&logoColor=white\" height=\"25\"\u002F>\u003C\u002Fa>\n\u003Ca href=\"#using-jax\">\u003Cimg alt=\"JAX\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapple_ml-aim_readme_165be0d1697a.png\" height=\"25\"\u002F>\u003C\u002Fa>\n\u003Ca href=\"#using-mlx\">\u003Cimg alt=\"MLX\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapple_ml-aim_readme_809369ed6425.png\" height=\"25\"\u002F>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fcollections\u002Fapple\u002Faimv2-6720fe1558d94c7805f7688c\">\u003Cimg alt=\"HuggingFace\" src=\"https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fhuggingface\u002Fbadges\u002Fresolve\u002Fmain\u002Fmodel-on-hf-md.svg\" height=\"25\">\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n我们与社区共享不同容量和预训练分辨率的 AIMv2 预训练检查点：\n\n+ [[`AIMv2 224px 版`]](#aimv2-with-224px)\n+ [[`AIMv2 336px 版`]](#aimv2-with-336px)\n+ [[`AIMv2 448px 版`]](#aimv2-with-448px)\n+ [[`AIMv2 原生分辨率版`]](#aimv2-with-native-resolution)\n+ [[`AIMv2 蒸馏 ViT-Large 版`]](#aimv2-distilled-vit-large) (*推荐用于多模态应用*)\n+ [[`零样本适配的 AIMv2`]](#zero-shot-adapted-aimv2)\n\n## 安装\n请按照官方 [安装说明](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 安装 PyTorch。之后，通过以下命令安装软件包：\n```commandline\npip install 'git+https:\u002F\u002Fgithub.com\u002Fapple\u002Fml-aim.git#subdirectory=aim-v1'\npip install 'git+https:\u002F\u002Fgithub.com\u002Fapple\u002Fml-aim.git#subdirectory=aim-v2'\n```\n我们还为基于 Apple 芯片的研究和实验提供 [MLX](https:\u002F\u002Fml-explore.github.io\u002Fmlx\u002F) 后端支持。要启用 MLX 支持，只需运行：\n```commandline\npip install mlx\n```\n\n## 示例\n\n### 使用 PyTorch\n\n```python\nfrom PIL import Image\n\nfrom aim.v2.utils import load_pretrained\nfrom aim.v1.torch.data import val_transforms\n\nimg = Image.open(...)\nmodel = load_pretrained(\"aimv2-large-patch14-336\", backend=\"torch\")\ntransform = val_transforms(img_size=336)\n\ninp = transform(img).unsqueeze(0)\nfeatures = model(inp)\n```\n\n### 使用 MLX\n\u003Cdetails>\n\n```python\nfrom PIL import Image\nimport mlx.core as mx\n\nfrom aim.v2.utils import load_pretrained\nfrom aim.v1.torch.data import val_transforms\n\nimg = Image.open(...)\nmodel = load_pretrained(\"aimv2-large-patch14-336\", backend=\"mlx\")\ntransform = val_transforms(img_size=336)\n\ninp = transform(img).unsqueeze(0)\ninp = mx.array(inp.numpy())\nfeatures = model(inp)\n```\n\u003C\u002Fdetails>\n\n### 使用 JAX\n\n\u003Cdetails>\n\n```python\nfrom PIL import Image\nimport jax.numpy as jnp\n\nfrom aim.v2.utils import load_pretrained\nfrom aim.v1.torch.data import val_transforms\n\nimg = Image.open(...)\nmodel, params = load_pretrained(\"aimv2-large-patch14-336\", backend=\"jax\")\ntransform = val_transforms(img_size=336)\n\ninp = transform(img).unsqueeze(0)\ninp = jnp.array(inp)\nfeatures = model.apply({\"params\": params}, inp)\n```\n\u003C\u002Fdetails>\n\n## 预训练检查点\n这些预训练模型可以通过 [HuggingFace Hub](https:\u002F\u002Fhuggingface.co\u002Fcollections\u002Fapple\u002Faimv2-6720fe1558d94c7805f7688c) 访问，如下所示：\n```python\nfrom PIL import Image\nfrom transformers import AutoImageProcessor, AutoModel\n\nimage = Image.open(...)\nprocessor = AutoImageProcessor.from_pretrained(\"apple\u002Faimv2-large-patch14-336\")\nmodel = AutoModel.from_pretrained(\"apple\u002Faimv2-large-patch14-336\", trust_remote_code=True)\n\ninputs = processor(images=image, return_tensors=\"pt\")\noutputs = model(**inputs)\n```\n\n### AIMv2 224px 分辨率版本\n\u003Ctable style=\"margin: auto\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>模型ID\u003C\u002Fth>\n      \u003Cth>#参数\u003C\u002Fth>\n      \u003Cth>IN-1k\u003C\u002Fth>\n      \u003Cth>HF 链接\u003C\u002Fth>\n      \u003Cth>骨干网络\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody align=\"center\">\n    \u003Ctr>\n      \u003Ctd>aimv2-large-patch14-224\u003C\u002Ftd>\n      \u003Ctd>0.3B\u003C\u002Ftd>\n      \u003Ctd>86.6\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-224\" target=\"_blank\">链接\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-224\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-huge-patch14-224\u003C\u002Ftd>\n      \u003Ctd>0.6B\u003C\u002Ftd>\n      \u003Ctd>87.5\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-huge-patch14-224\" target=\"_blank\">链接\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-huge-patch14-224\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-1B-patch14-224\u003C\u002Ftd>\n      \u003Ctd>1.2B\u003C\u002Ftd>\n      \u003Ctd>88.1\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-1B-patch14-224\" target=\"_blank\">链接\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-1B-patch14-224\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-3B-patch14-224\u003C\u002Ftd>\n      \u003Ctd>2.7B\u003C\u002Ftd>\n      \u003Ctd>88.5\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-3B-patch14-224\" target=\"_blank\">链接\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-3B-patch14-224\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n### AIMv2 336px 分辨率版本\n\u003Ctable style=\"margin: auto\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>模型ID\u003C\u002Fth>\n      \u003Cth>#参数\u003C\u002Fth>\n      \u003Cth>IN-1k\u003C\u002Fth>\n      \u003Cth>HF 链接\u003C\u002Fth>\n      \u003Cth>骨干网络\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody align=\"center\">\n    \u003Ctr>\n      \u003Ctd>aimv2-large-patch14-336\u003C\u002Ftd>\n      \u003Ctd>0.3B\u003C\u002Ftd>\n      \u003Ctd>87.6\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-336\" target=\"_blank\">链接\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-336\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-huge-patch14-336\u003C\u002Ftd>\n      \u003Ctd>0.6B\u003C\u002Ftd>\n      \u003Ctd>88.2\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-huge-patch14-336\" target=\"_blank\">链接\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-huge-patch14-336\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-1B-patch14-336\u003C\u002Ftd>\n      \u003Ctd>1.2B\u003C\u002Ftd>\n      \u003Ctd>88.7\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-1B-patch14-336\" target=\"_blank\">链接\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-1B-patch14-336\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-3B-patch14-336\u003C\u002Ftd>\n      \u003Ctd>2.7B\u003C\u002Ftd>\n      \u003Ctd>89.2\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-3B-patch14-336\" target=\"_blank\">链接\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-3B-patch14-336\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n### AIMv2 448px 分辨率版本\n\u003Ctable style=\"margin: auto\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>模型ID\u003C\u002Fth>\n      \u003Cth>#参数\u003C\u002Fth>\n      \u003Cth>IN-1k\u003C\u002Fth>\n      \u003Cth>HF 链接\u003C\u002Fth>\n      \u003Cth>骨干网络\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody align=\"center\">\n    \u003Ctr>\n      \u003Ctd>aimv2-large-patch14-448\u003C\u002Ftd>\n      \u003Ctd>0.3B\u003C\u002Ftd>\n      \u003Ctd>87.9\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-448\">链接\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-448\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-huge-patch14-448\u003C\u002Ftd>\n      \u003Ctd>0.6B\u003C\u002Ftd>\n      \u003Ctd>88.6\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-huge-patch14-448\">链接\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-huge-patch14-448\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-1B-patch14-448\u003C\u002Ftd>\n      \u003Ctd>1.2B\u003C\u002Ftd>\n      \u003Ctd>89.0\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-1B-patch14-448\">链接\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-1B-patch14-448\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-3B-patch14-448\u003C\u002Ftd>\n      \u003Ctd>2.7B\u003C\u002Ftd>\n      \u003Ctd>89.5\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-3B-patch14-448\">链接\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-3B-patch14-448\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n### AIMv2 原生分辨率版本\n我们还提供了一个经过微调的 AIMv2-L 检查点，能够处理广泛的图像分辨率和宽高比。无论图像的宽高比如何，都会将其划分为大小为 14×14 的补丁，并在经过线性投影后的输入补丁上添加 *二维正弦位置编码*。\n*该检查点支持的补丁数量范围为 [112, 4096]*。\n\n\u003Ctable style=\"margin: auto\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>模型ID\u003C\u002Fth>\n      \u003Cth>#参数\u003C\u002Fth>\n      \u003Cth>IN-1k\u003C\u002Fth>\n      \u003Cth>HF 链接\u003C\u002Fth>\n      \u003Cth>骨干网络\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody align=\"center\">\n    \u003Ctr>\n      \u003Ctd>aimv2-large-patch14-native\u003C\u002Ftd>\n      \u003Ctd>0.3B\u003C\u002Ftd>\n      \u003Ctd>87.3\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-native\" target=\"_blank\">链接\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-native\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">链接\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n### AIMv2 蒸馏版 ViT-Large\n我们提供了一个从 AIMv2-3B 蒸馏而来的 AIMv2-L 检查点，它在多模态理解基准测试中表现出色。\n\n\u003Ctable style=\"margin: auto\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>模型\u003C\u002Fth>\n      \u003Cth>VQAv2\u003C\u002Fth>\n      \u003Cth>GQA\u003C\u002Fth>\n      \u003Cth>OKVQA\u003C\u002Fth>\n      \u003Cth>TextVQA\u003C\u002Fth>\n      \u003Cth>DocVQA\u003C\u002Fth>\n      \u003Cth>InfoVQA\u003C\u002Fth>\n      \u003Cth>ChartQA\u003C\u002Fth>\n      \u003Cth>SciQA\u003C\u002Fth>\n      \u003Cth>MMEp\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody align=\"center\">\n    \u003Ctr>\n      \u003Ctd>AIMv2-L\u003C\u002Ftd>\n      \u003Ctd>80.2\u003C\u002Ftd>\n      \u003Ctd>72.6\u003C\u002Ftd>\n      \u003Ctd>60.9\u003C\u002Ftd>\n      \u003Ctd>53.9\u003C\u002Ftd>\n      \u003Ctd>26.8\u003C\u002Ftd>\n      \u003Ctd>22.4\u003C\u002Ftd>\n      \u003Ctd>20.3\u003C\u002Ftd>\n      \u003Ctd>74.5\u003C\u002Ftd>\n      \u003Ctd>1457\u003C\u002Ftd>\n     \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>AIMv2-L-distilled\u003C\u002Ftd>\n      \u003Ctd>81.1\u003C\u002Ftd>\n      \u003Ctd>73.0\u003C\u002Ftd>\n      \u003Ctd>61.4\u003C\u002Ftd>\n      \u003Ctd>53.5\u003C\u002Ftd>\n      \u003Ctd>29.2\u003C\u002Ftd>\n      \u003Ctd>23.3\u003C\u002Ftd>\n      \u003Ctd>24.0\u003C\u002Ftd>\n      \u003Ctd>76.3\u003C\u002Ftd>\n      \u003Ctd>1627\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ctable style=\"margin: auto\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>model_id\u003C\u002Fth>\n      \u003Cth>#params\u003C\u002Fth>\n      \u003Cth>Res.\u003C\u002Fth>\n      \u003Cth>HF Link\u003C\u002Fth>\n      \u003Cth>Backbone\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody align=\"center\">\n    \u003Ctr>\n      \u003Ctd>aimv2-large-patch14-224-distilled\u003C\u002Ftd>\n      \u003Ctd>0.3B\u003C\u002Ftd>\n      \u003Ctd>224px\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-224-distilled\" target=\"_blank\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-224-distilled\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>aimv2-large-patch14-336-distilled\u003C\u002Ftd>\n      \u003Ctd>0.3B\u003C\u002Ftd>\n      \u003Ctd>336px\u003C\u002Ftd>\n      \u003Ctd>🤗\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-336-distilled\" target=\"_blank\">link\u003C\u002Fa>\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-336-distilled\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n### 零样本适配的 AIMv2\n我们提供了经过 LiT 微调后的 AIMv2-L 视觉和文本编码器，以实现零样本识别。\n\n\u003Ctable style=\"margin: auto\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>model\u003C\u002Fth>\n      \u003Cth>#params\u003C\u002Fth>\n      \u003Cth>zero-shot IN1-k\u003C\u002Fth>\n      \u003Cth>Backbone\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody align=\"center\">\n    \u003Ctr>\n      \u003Ctd>AIMv2-L\u003C\u002Ftd>\n      \u003Ctd>0.3B\u003C\u002Ftd>\n      \u003Ctd>77.0\u003C\u002Ftd>\n      \u003Ctd>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-large-patch14-224-lit\u002Fresolve\u002Fmain\u002Fmodel.safetensors\">link\u003C\u002Fa>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n## 引用\n如果您觉得我们的工作有用，请考虑引用我们：\n\n### AIMv2 bibtex\n\n```bibtex\n@misc{fini2024multimodal,\n    title={Multimodal Autoregressive Pre-training of Large Vision Encoders},\n    author={Enrico Fini and Mustafa Shukor and Xiujun Li and Philipp Dufter and Michal Klein and David Haldimann and Sai Aitharaju and Victor Guilherme Turrisi da Costa and Louis Béthune and Zhe Gan and Alexander T Toshev and Marcin Eichner and Moin Nabi and Yinfei Yang and Joshua M. Susskind and Alaaeldin El-Nouby},\n    year={2024},\n    eprint={2411.14402},\n    archivePrefix={arXiv},\n    primaryClass={cs.CV}\n}\n```\n\n### AIMv1 bibtex\n\n```bibtex\n@InProceedings{pmlr-v235-el-nouby24a,\n  title     = {Scalable Pre-training of Large Autoregressive Image Models},\n  author    = {El-Nouby, Alaaeldin and Klein, Michal and Zhai, Shuangfei and Bautista, Miguel \\'{A}ngel and Shankar, Vaishaal and Toshev, Alexander T and Susskind, Joshua M. and Joulin, Armand},\n  booktitle = {Proceedings of the 41st International Conference on Machine Learning},\n  pages     = {12371--12384},\n  year      = {2024},\n}\n```\n\n## 许可证\n请在使用提供的代码和模型之前，查看仓库中的 [LICENSE](LICENSE) 文件。","# ml-aim 快速上手指南\n\nml-aim 是苹果开源的一系列自回归视觉预训练模型（AIM），其中 **AIMv2** 通过多模态自回归目标进行预训练，在多项视觉和多模态理解基准测试中超越了 CLIP、SigLIP 和 DINOv2 等主流模型。本指南将帮助你快速在本地部署并使用 AIMv2 模型。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**: Linux, macOS (支持 Apple Silicon), 或 Windows\n*   **Python**: 3.8 或更高版本\n*   **核心依赖**:\n    *   **PyTorch**: 必须预先安装。请访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 获取适合你环境的安装命令。\n    *   **Pillow**: 用于图像处理 (`pip install pillow`)\n*   **可选后端**:\n    *   **MLX**: 如果你使用 Apple Silicon (M1\u002FM2\u002FM3 系列芯片) 进行推理或实验，建议安装 MLX 以获得更佳性能。\n    *   **JAX**: 支持 JAX 后端。\n\n> **提示**: 国内开发者若遇到 PyTorch 下载缓慢，可使用清华或中科大镜像源安装 PyTorch。\n\n## 安装步骤\n\n你可以直接通过 GitHub 源码安装 `ml-aim` 库。该仓库同时包含 AIMv1 和 AIMv2，需分别指定子目录安装。\n\n### 1. 安装基础包 (PyTorch 后端)\n\n```bash\npip install 'git+https:\u002F\u002Fgithub.com\u002Fapple\u002Fml-aim.git#subdirectory=aim-v1'\npip install 'git+https:\u002F\u002Fgithub.com\u002Fapple\u002Fml-aim.git#subdirectory=aim-v2'\n```\n\n> **加速建议**: 如果 GitHub 连接不稳定，可尝试配置 Git 代理或使用国内代码托管平台的镜像（如有）。\n\n### 2. 安装 MLX 后端 (仅限 Apple Silicon)\n\n如果你计划在 Mac 上使用 MLX 加速：\n\n```bash\npip install mlx\n```\n\n## 基本使用\n\n以下示例展示如何加载预训练的 AIMv2 模型并进行图像特征提取。默认使用 **PyTorch** 后端。\n\n### 使用 PyTorch 进行推理\n\n这是最通用的使用方式，适用于大多数场景。\n\n```python\nfrom PIL import Image\nfrom aim.v2.utils import load_pretrained\nfrom aim.v1.torch.data import val_transforms\n\n# 1. 加载图像\nimg = Image.open(\"your_image.jpg\") # 替换为你的图片路径\n\n# 2. 加载预训练模型\n# 模型标识符格式：aimv2-{size}-patch14-{resolution}\n# 例如：aimv2-large-patch14-336\nmodel = load_pretrained(\"aimv2-large-patch14-336\", backend=\"torch\")\n\n# 3. 准备数据预处理\n# 注意：transform 的 img_size 需与模型分辨率一致 (此处为 336)\ntransform = val_transforms(img_size=336)\n\n# 4. 执行推理\ninp = transform(img).unsqueeze(0)\nfeatures = model(inp)\n\nprint(f\"输出特征形状：{features.shape}\")\n```\n\n### 常用模型推荐\n\n根据官方评测，针对不同需求推荐以下模型：\n\n| 模型 ID | 参数量 | 输入分辨率 | 特点 | 适用场景 |\n| :--- | :--- | :--- | :--- | :--- |\n| `aimv2-large-patch14-336` | 0.3B | 336px | 速度与性能平衡 | 通用视觉任务 |\n| `aimv2-3B-patch14-448` | 2.7B | 448px | 最强识别性能 (ImageNet 89.5%) | 高精度图像分类\u002F检测 |\n| `aimv2-large-patch14-native` | 0.3B | 任意分辨率 | 支持动态分辨率和宽高比 | 非标准尺寸图像处理 |\n| `AIMv2-L-distilled` | 0.3B | - | 蒸馏模型 | **多模态应用首选** (VQA, 图文理解) |\n\n> **注意**: 模型权重首次运行时会自动从 Hugging Face 下载。国内用户若下载缓慢，建议配置 `HF_ENDPOINT` 环境变量使用镜像站：\n> ```bash\n> export HF_ENDPOINT=https:\u002F\u002Fhf-mirror.com\n> ```","某电商平台的算法团队正在构建新一代“以图搜图”与“自然语言找货”系统，需要处理海量商品图片并理解复杂的用户搜索意图。\n\n### 没有 ml-aim 时\n- **多模态理解能力割裂**：团队需分别维护图像编码模型（如 DINOv2）和图文匹配模型（如 CLIP），导致架构复杂且难以协同优化，无法同时兼顾视觉细节与语义理解。\n- **开放词汇检测效果受限**：面对未见过的新品类商品或用户模糊的描述性搜索（如“适合夏天的碎花长裙”），现有模型泛化能力不足，召回率低。\n- **高分辨率细节丢失**：为了适配显存限制，被迫将商品图压缩至低分辨率输入，导致纹理、Logo 等关键细特征模糊，严重影响识别精度。\n- **冻结主干性能瓶颈**：在微调下游任务时，若冻结预训练主干以节省算力，模型在 ImageNet 等基准上的特征提取能力大幅下降，拖累最终效果。\n\n### 使用 ml-aim 后\n- **统一多模态架构**：引入 AIMv2 的多模态自回归预训练机制，单个模型即可同时胜任高质量图像编码与图文匹配任务，简化了技术栈并提升了特征对齐度。\n- **强大的零样本泛化力**：得益于 AIMv2 在开放词汇物体检测和指代表达理解上的优势，系统能精准响应用户对新品类或复杂描述的自然语言搜索，无需额外标注数据。\n- **原生分辨率支持**：利用 AIMv2 支持原生分辨率输入的特性，直接处理高清商品大图，完整保留面料纹理与设计细节，显著提升了以图搜图的准确度。\n- **冻结主干依然强劲**：即使冻结 AIMv2-3B 的主干网络进行迁移学习，其在标准基准上仍能保持 89.5% 的顶尖识别率，大幅降低了下游任务的训练成本与算力需求。\n\nml-aim 通过统一的自回归多模态预训练，让电商搜索系统在降低架构复杂度的同时，实现了对高清视觉细节与复杂用户意图的极致理解。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapple_ml-aim_ccd010c9.png","apple","Apple","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fapple_84e0ff25.jpg","",null,"https:\u002F\u002Fapple.com","https:\u002F\u002Fgithub.com\u002Fapple",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,1412,72,"2026-04-05T12:38:17","NOASSERTION","Linux, macOS","PyTorch\u002FJAX 后端需要 NVIDIA GPU（具体型号和显存未说明，取决于模型大小）；MLX 后端支持 Apple Silicon（无需 NVIDIA GPU）","未说明",{"notes":93,"python":91,"dependencies":94},"该工具支持三种后端：PyTorch（通用）、JAX 和 MLX（专为 Apple Silicon 优化）。安装时需分别针对 aim-v1 和 aim-v2 子目录运行 pip 安装命令。模型权重托管在 HuggingFace Hub 上，最大模型参数量达 2.7B（AIMv2-3B），运行时需根据模型规模预留相应显存。使用 JAX 或 MLX 后端时需额外安装对应框架。",[95,96,97,98,99],"torch","mlx","jax","transformers","Pillow",[14],[97,96,102,103],"pytorch","large-scale-vision-models","2026-03-27T02:49:30.150509","2026-04-08T05:10:10.151142",[107,112,117,122,127,132,137],{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},23767,"如何在 Hugging Face Transformers 中直接使用 AIMv2 模型而无需 trust_remote_code？","官方已将 HF 兼容的检查点合并到主仓库。现在可以直接加载模型，不再需要 `trust_remote_code` 标志。对于 PyTorch 版本，请从示例代码中移除 `trust_remote_code=True`。如果您使用的是 Flax 或 JAX 版本，由于配置变更，建议在相关示例中将 revision 固定到之前的提交版本，并继续使用 `trust_remote_code=True`。","https:\u002F\u002Fgithub.com\u002Fapple\u002Fml-aim\u002Fissues\u002F35",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},23768,"AIMv2 蒸馏模型（distilled models）是否保留自回归特性？蒸馏过程中使用了什么注意力机制？","蒸馏模型在蒸馏过程中不使用前缀注意力（prefix attention），而是使用双向注意力（bidirectional attention）。因此，蒸馏后的模型不会产生自回归特性。","https:\u002F\u002Fgithub.com\u002Fapple\u002Fml-aim\u002Fissues\u002F26",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},23769,"论文中提到的零样本检测（zero-shot detection）和视觉问答（VQA）任务的微调模型权重会发布吗？","目前官方没有计划发布除图像编码器（image encoder）以外的任何模块的权重。","https:\u002F\u002Fgithub.com\u002Fapple\u002Fml-aim\u002Fissues\u002F23",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},23770,"在 LLaVA 和 Cambrian 实验中具体使用了哪个版本的 AIMv2 模型？","除非论文中另有说明，大多数实验结果使用的是 ViT-L-336px 检查点（非蒸馏版本），配合 Llama 3.0 LLM 解码器使用。","https:\u002F\u002Fgithub.com\u002Fapple\u002Fml-aim\u002Fissues\u002F22",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},23771,"找不到 AIMv2 3B 模型的 consolidated safetensors 权重文件怎么办？","该问题已修复。如果仍然遇到链接失效，请注意旧版本提交（如 c92f718...）包含与 GitHub 模型定义兼容的权重，而最新提交仅包含 HF 兼容权重。您可以尝试指定特定 commit hash 来下载权重，例如：`https:\u002F\u002Fhuggingface.co\u002Fapple\u002Faimv2-3B-patch14-336\u002Fresolve\u002Fc92f718c6ebf8eb2fe6ccc3ca4a32d59d94e1602\u002Fmodel.safetensors`。","https:\u002F\u002Fgithub.com\u002Fapple\u002Fml-aim\u002Fissues\u002F37",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},23772,"AIMv2Model 不支持 `device_map='auto'` 导致多卡加载失败如何解决？","该问题已在所有相关仓库中修复。请确保您拉取了最新的模型配置文件（config）和代码更新。如果问题依旧，请检查您的 transformers 库版本是否为最新。","https:\u002F\u002Fgithub.com\u002Fapple\u002Fml-aim\u002Fissues\u002F19",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},23773,"Hugging Face 实现的 ViT-L-native 模型出现设备映射错误（Device bug）如何处理？","这是一个已知的实现差异问题，已在 Hugging Face 仓库中修复。原始 GitHub 实现是 `nn.Module`，可以自动处理设备转换，而 HF 实现曾是函数导致报错。请更新您的模型文件或重新从 HF 拉取最新版本的 `modeling_aimv2.py`。","https:\u002F\u002Fgithub.com\u002Fapple\u002Fml-aim\u002Fissues\u002F12",[]]