OpenCLIP風APIのライブラリ公開

このプロジェクトは個人的な不満から生まれた。開発者はCLIPを日常的に使っているが、特定のシーン検出向けに調整するのに苦労していた。EmbeddingGemma 2はCLIPと同様に画像とテキストを比較できるものの、設計思想が異なるため同じようには使えなかった。ラッパーはその隔たりを埋める試みであり、公式の前処理、トークナイザー、プロンプト、プーリング、正規化のロジックをそのまま保ちつつ、モデルの重みは同梱せず実行時にHugging Faceから取得する。

開発者によると、公式の推論経路との整合性は高い。Windows 11、Python 3.12、CPU FP32の環境で、最大絶対誤差は画像埋め込みが約2.74 × 10⁻⁷、テキスト埋め込みが2.81 × 10⁻⁶、画像とテキストの類似度が1.19 × 10⁻⁶だった。これらの数値は特定のモデルリビジョンとテスト環境におけるSentence Transformersの推論との比較であり、その環境での忠実性を示すもので、特定の分類や検索タスクでの精度を証明するものではない。リリース前の確認では、75件成功・9件スキップのpytestテスト、実モデルによるCPU統合テスト、GitHub ActionsによるCIとPyPIへの自動公開を実施した。

ライブラリの位置づけは限定的だ。v0.1.0はEmbeddingGemma 2のみに対応し、画像とテキストを扱う（動画や音声は非対応）。forward()やget_logits()などOpenCLIPの一部機能は省いている。開発者は利用状況に応じて対応プラットフォームの拡大とドキュメントの改善を計画しており、既存プロジェクトの商標に配慮して名称を変更する可能性があるとし、移行ガイドはGitHubで後日公開する予定だ。