CLIP ViT-B/32 от OpenAI сопоставляет изображения с текстовыми метками для классификации без дообучения и исследований обобщения компьютерного зрения.

Подходит для: классификация изображений по заданным текстовым категориям · поиск подходящей подписи для изображения среди вариантов · исследование переноса на новые классы без дообучения

Мультимодальная модель Qwen3-VL на 8 млрд параметров для диалога, анализа изображений и видео, OCR и визуального рассуждения.

Подходит для: ответы на вопросы по изображениям · распознавание текста и разбор структуры документов на изображениях · поиск событий и их временных меток в видео

CLIP ViT-L/14 от OpenAI сопоставляет изображения с текстовыми категориями для исследовательской классификации изображений без дополнительного обучения.

Подходит для: классификация изображений по текстовым описаниям без дообучения · сравнение изображения с набором англоязычных категорий · исследование обобщения моделей компьютерного зрения

Переупакованные для ComfyUI модели Wan 2.2 для генерации и управления видео, в том числе по входному изображению.

Подходит для: создание видео на основе изображения · генерация видео по первому и последнему кадрам · генерация видео по текстовому описанию

Инструкционная мультимодальная модель Qwen с 7,1 млрд параметров для анализа изображений и видео, извлечения данных из документов и визуальных задач.

Подходит для: ответы на вопросы по изображениям · извлечение текста и полей из счетов и форм · анализ диаграмм, графиков и таблиц на изображениях

Stable Diffusion XL Base 1.0 — модель Stability AI для генерации и редактирования изображений по текстовым запросам.

Подходит для: создание иллюстраций по текстовому описанию · генерация изображений для дизайн-концепций · подготовка визуальных материалов для творческих проектов

CLIP ViT-B/32 сопоставляет изображения с английскими текстовыми описаниями для классификации без обучения и поиска по содержанию.

Подходит для: классификация изображений по текстовым меткам без дообучения · поиск изображений по английскому запросу · поиск подходящих описаний для изображения

MiniMax H3 — мультимодальная генеративная модель MiniMax для создания коротких видео со стереозвуком по тексту, изображениям, видео и аудио.

Подходит для: создание видео по текстовому описанию · анимация изображения с заданным первым или последним кадром · генерация ролика по первому и последнему кадрам

Мультимодальная модель Qwen3-VL на 4 млрд параметров для диалога, анализа изображений и видео, OCR и визуального рассуждения.

Подходит для: ответы на вопросы по изображениям · извлечение текста и структуры из сканов и фотографий · поиск событий и анализ содержимого видео

Florence-2-base — компактная модель зрения Microsoft для описания изображений, распознавания текста и локализации объектов по текстовым промптам.

Подходит для: создание кратких и подробных описаний изображений · обнаружение объектов и получение координат рамок · поиск объектов на изображении по текстовому описанию

Визуальный энкодер Google для классификации изображений по текстовым меткам, поиска изображение–текст и использования в составе VLM.

Подходит для: Классификация изображений по собственным текстовым меткам · Поиск изображений по текстовому запросу · Поиск текста, соответствующего изображению

Небольшой самообученный Vision Transformer DINOv2 извлекает признаки изображений для последующего обучения классификаторов и других визуальных задач.

Подходит для: извлечение признаков из изображений · получение векторных представлений изображений для поиска по сходству · подготовка признаков для обучения классификатора изображений

Qwen3-VL-2B-Instruct — мультимодальная модель для диалога и анализа изображений и видео, включая OCR, пространственное рассуждение и работу с визуальными интерфейсами.

Подходит для: ответы на вопросы по изображениям и скриншотам · распознавание текста и разбор структуры документов на изображениях · поиск объектов и определение их положения в сцене

CLIP сопоставляет изображения с текстовыми описаниями для классификации по заданным пользователем категориям без отдельного обучения.

Подходит для: классификация изображений по текстовым категориям · поиск изображений по описанию · сопоставление изображения с несколькими вариантами подписи

Компактная мультимодальная модель Moondream 2 отвечает на вопросы об изображениях, распознаёт текст и объекты и описывает визуальные сцены.

Подходит для: ответы на вопросы по содержимому изображения · распознавание текста в документах, таблицах и на экране · обнаружение и подсчёт объектов на изображении

Qwen2.5-VL-3B-Instruct — компактная мультимодальная модель Alibaba для диалогового анализа изображений и видео с ответами на естественном языке и структурированным выводом.

Подходит для: распознавание текста и объектов на изображениях · извлечение данных из счетов, форм и таблиц · анализ диаграмм, графиков и макетов

Мультимодальная CLIP ViT-L/14 от LAION сопоставляет изображения с английскими текстовыми метками для zero-shot классификации и поиска.

Подходит для: классификация изображений по текстовым описаниям без дообучения · поиск изображений по текстовому запросу · поиск подходящего текста для изображения

Qwen3.8 Max Prime — вариант Qwen с повышенной пропускной способностью для обработки текстовых запросов, изображений и видео.

Подходит для: вопросы по содержимому изображений · описание визуальных сцен по текстовому запросу · анализ видеосодержимого

GPT-6 Sol — высокопроизводительная модель OpenAI для сложных профессиональных задач, отнесённая каталогом к обработке изображений и текста.

Подходит для: решение сложных профессиональных задач

Модель CLIP с визуальной частью ConvNeXt-Base для классификации изображений по английским текстовым описаниям без дополнительного обучения и поиска по изображениям и тексту.

Подходит для: классификация изображений по текстовым меткам без дообучения · поиск изображений по текстовому запросу · поиск подходящих описаний для изображения

Grounding DINO Base обнаруживает объекты на изображениях по текстовым запросам без необходимости заранее размечать примеры для каждого класса.

Подходит для: Поиск заданных объектов на фотографии по текстовому описанию · Обнаружение объектов на изображениях без обучающих примеров для каждого класса · Автоматическая локализация упомянутых предметов на изображении

Мультимодальная модель Alibaba для анализа изображений, визуального программирования и взаимодействия с компьютером.

Подходит для: распознавание объектов на изображениях · ответы на вопросы о содержимом изображений · визуальное программирование по скриншотам

Визуально-языковая модель Google для классификации изображений по текстовым меткам, поиска изображений по тексту и использования как визуального энкодера.

Подходит для: классификация изображений по пользовательским текстовым меткам без дообучения · поиск изображений по текстовому описанию · поиск текстовых описаний, соответствующих изображению

LTX-2.5 — диффузионная модель Lightricks для генерации видео и синхронизированного аудио по тексту, изображениям и видео.

Подходит для: создание видеоролика по текстовому описанию · анимация изображения с заданным движением · генерация связанных сцен с сохранением персонажей и стиля