Mage-ViT
Microsoft🇺🇸 USMajor lab· Jul 26, 2026
Embeddingopen weights
Mage-ViT is a vision encoder that uses codec signals to keep only motion-salient patches, which makes video processing efficient. This repo ships only the ViT checkpoint without language model training and can serve as an encoder for your own multimodal training.
Summary of the model card
- License
- mit
- Modalities
- image → embedding
1 variant
| Standard | HF |
Sources
HuggingFaceDeutsch
Mage-ViT ist ein Vision Encoder, der anhand von Codec-Signalen nur bewegungsrelevante Patches auswählt und Videos dadurch effizient verarbeitet. Das Repo enthält nur den ViT-Checkpoint ohne Sprachmodell-Training und ist als Encoder für eigenes multimodales Training gedacht.
Provenance
- Detected
- Sep 27, 2026
- First source
- huggingface
- Description
- Summary of the model card
- Editorially reviewed
- —