# ViT-L-16-HTxt-Recap-CLIP

> 权威词条地址：https://robotics.hellobike.com/models/ucsc-vlaa-vit-l-16-htxt-recap-clip
> 所属分类：models | 最近核验日期：2024-06-24 | 技术层级：L7, L8

## 核心摘要

UCSC-VLAA 在 Hugging Face 发布的机器人模型，基于 open_clip，训练数据包含 UCSC-VLAA/Recap-DataComp-1B。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `layers` | ["L7", "L8"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/UCSC-VLAA/ViT-L-16-HTxt-Recap-CLIP"}] |
| `updated` | 2024-06-24 |
| `family` | vla |
| `params` | 2.56B |
| `architecture` | LeRobot / PyTorch Policy Network |
| `action_representation` | 连续关节位置/末端位姿动作空间 |
| `code_license` | cc-by-4.0 |
| `weights_license` | cc-by-4.0 |
| `data_formats` | ["SafeTensors"] |
| `pretraining_data` | ["UCSC-VLAA/Recap-DataComp-1B"] |
| `status` | research |
| `hub_id` | UCSC-VLAA/ViT-L-16-HTxt-Recap-CLIP |
| `hub_stats` | {"downloads": 7408, "likes": 18, "as_of": "2026-10-27"} |
| `overview_sources` | ["https://huggingface.co/UCSC-VLAA/ViT-L-16-HTxt-Recap-CLIP"] |

## 技术详解与生态说明

Recap-CLIP-ViT-L-16-Txt-Huge-2.56B 是一个 CLIPA 模型，模型类型标注为对比式图文模型，可用于零样本图像分类。它对应的原始项目为 UCSC-VLAA/Recap-DataComp-1B，并关联论文《What If We Recaption Billions of Web Images with LLaMA-3?》。

该模型训练在 Recap-DataComp-1B 上，图文数据中的 caption 由 LLaVA-1.5-LLaMA3-8B 生成。对于机器人开发者，它更接近通用视觉-语言表征或零样本分类组件；模型卡没有给出机器人平台或具身任务验证结果。模型卡提示训练数据来自带生成 caption 的图文数据，可能保留原始网络抓取数据中的偏见与不准确性，使用时需关注相关风险。

## 原始核验来源 (Sources)

- [Hugging Face UCSC-VLAA/ViT-L-16-HTxt-Recap-CLIP](https://huggingface.co/UCSC-VLAA/ViT-L-16-HTxt-Recap-CLIP)