Qwen3.7-Plus — экономичная мультимодальная модель Alibaba для ответов на текстовые запросы и анализа изображений.
Подходит для: ответы на вопросы по изображению · описание содержимого изображений · диалог с текстом и изображениями
Qwen2-VL-2B-Instruct — компактная мультимодальная модель для ответов на вопросы и анализа изображений и видео по текстовым запросам.
Подходит для: ответы на вопросы по содержимому изображения · извлечение текста и сведений из документов и скриншотов · ответы на вопросы по видеоклипам
Дообученный Vision Transformer распознаёт 37 пород кошек и собак на изображениях из набора Oxford-IIIT Pet.
Подходит для: определение породы кошки на фотографии · определение породы собаки на фотографии · классификация питомцев по изображениям из набора Oxford-IIIT Pet
OpenVLA 7B принимает англоязычные инструкции и изображения рабочей зоны и предсказывает действия для управления роботами-манипуляторами.
Подходит для: управление роботом-манипулятором по текстовой инструкции и изображению с камеры · перемещение конечного эффектора и управление захватом предметов · выполнение знакомых задач манипуляции без дополнительного обучения
Открытая модель NVIDIA на 3 млрд параметров, которая преобразует изображения, инструкции и состояние робота в управляющие действия для задач гуманоидной манипуляции.
Подходит для: управление манипуляциями робота по текстовой инструкции · адаптация навыков управления под конкретного гуманоидного робота · обучение действий на данных реальных демонстраций
Компактная модель LeRobot преобразует изображения, состояние робота и необязательную инструкцию на естественном языке в непрерывные управляющие действия.
Подходит для: дообучение политики управления манипулятором на демонстрациях · перекладывание предметов по текстовой инструкции · управление роботом по изображениям с нескольких камер
Компактная мультиязычная модель Google, которая анализирует изображения вместе с текстовым запросом и генерирует текстовый ответ, особенно после дообучения под конкретную задачу.
Подходит для: описание содержимого изображения · ответы на вопросы по изображению · чтение текста на изображениях
Мультимодальная модель Perceptron для восприятия изображений, видео и аудио физическими агентами с текстовыми и структурированными ответами.
Подходит для: анализ изображений для физических агентов · понимание видеопотока · анализ аудиовхода
InternLM3-8B-Instruct — диалоговая языковая модель на 8,3 млрд параметров для общих запросов, работы со знаниями и сложных рассуждений.
Подходит для: ответы на вопросы общего назначения · решение задач, требующих пошаговых рассуждений · ответы на вопросы по учебным и энциклопедическим темам
RynnBrain 1.1-2B — дообученная мультимодальная модель для пространственного понимания изображений и видео, локализации объектов и рассуждений в сценариях embodied AI.
Подходит для: Определение объектов, их атрибутов и взаимного расположения в сцене · Локализация указанного объекта по текстовой инструкции на изображении · Понимание пространственной структуры видеосцены
Компактная модель Depth Anything V2 для оценки метрической глубины и расстояний на изображениях помещений.
Подходит для: построение карты глубины помещения по фотографии · оценка расстояния до объектов в кадре · метрическая реконструкция внутренней сцены
Дообученная модель ViT классифицирует тип кожи на фотографии лица как сухой, нормальный или жирный.
Подходит для: определение типа кожи по фотографии лица · предварительная оценка кожи в приложении по уходу за лицом · автоматическая разметка изображений лиц по типу кожи
Модель на базе ViT классифицирует изображения кожи по наличию или отсутствию морщин.
Подходит для: определение наличия морщин на изображении кожи · предварительная автоматическая оценка кожи по фотографии · классификация фотографий кожи для прототипа приложения анализа кожи
MiniCPM-V 4.0 — мультимодальная модель OpenBMB для диалога и анализа изображений, нескольких изображений и видео, рассчитанная в том числе на локальный запуск.
Подходит для: ответы на вопросы по содержимому изображения · извлечение текста и данных из документов на изображениях · сравнение и анализ нескольких изображений
Инструкционная мультимодальная модель Qwen на 71,5 млрд параметров для анализа изображений и видео и ответов на вопросы по визуальным данным.
Подходит для: ответы на вопросы по изображениям · извлечение сведений из сканов и документов · ответы на вопросы по видеозаписям
Чат-модель MoonshotAI с архитектурой Mixture-of-Experts для генерации текста и выполнения инструкций, с 16 млрд общих и примерно 3 млрд активных параметров.
Подходит для: ответы на вопросы в диалоге · генерация текста по инструкциям · составление черновиков и кратких текстов
Дообученная мультимодальная модель Qwen3-VL-2B для пространственного понимания изображений и видео, локализации объектов и ответов на вопросы о сценах.
Подходит для: ответы на вопросы о сценах от первого лица · подсчёт объектов на изображениях и в видео · распознавание текста в видеосценах
VLA-модель π₀.₅, дообученная на LIBERO для управления роботом по изображениям, состоянию робота и языковым инструкциям.
Подходит для: управление роботом для выполнения задач LIBERO · генерация непрерывных действий по изображениям и состоянию робота · выполнение языковых инструкций роботом
Мультимодальная модель Ai2 для понимания сцен, пространственных отношений, нескольких изображений и временной последовательности в видео.
Подходит для: Ответы на вопросы о содержимом изображения · Определение точного положения объекта на изображении · Сопоставление объектов и сцен на нескольких изображениях
Модель Allen Institute for AI для управления манипуляторами SO-100/101 по изображениям, состоянию робота и текстовым инструкциям.
Подходит для: управление манипулятором SO-100 по визуальному наблюдению и инструкции · управление манипулятором SO-101 для выполнения бытовых задач · предсказание непрерывных движений робота по кадрам с камер
Базовая vision-language-action-модель для дообучения управлению роботами по изображениям, состоянию робота и языковым инструкциям.
Подходит для: дообучение управления роботом-манипулятором · выполнение роботизированных манипуляций по текстовой инструкции · обучение политик управления по данным с нескольких камер
Компактная мультимодальная модель NAVER, которая анализирует изображения и видео и отвечает текстом, с особым вниманием к корейскому языку.
Подходит для: ответы на вопросы по содержимому изображения · интерпретация графиков и диаграмм · извлечение и понимание текста на изображении без отдельного OCR
Модель Depth Anything V2 для получения метрических карт глубины по изображениям внутренних помещений.
Подходит для: оценка абсолютной глубины на фотографиях комнат · построение карты глубины для интерьерных сцен · извлечение геометрии помещения из одиночного изображения
MolmoAct2 — открытая vision-language-action модель Ai2, предназначенная для дообучения под управление конкретными роботами по визуальным наблюдениям и языковым инструкциям.
Подходит для: дообучение политики управления под конкретную модель робота · адаптация управления роботом под новый бенчмарк · генерация непрерывных действий по изображению и текстовой инструкции