Компактная модель MobileNetV3 для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet · извлечение карт признаков для компьютерного зрения · получение эмбеддингов изображений

Предобученный Vision Transformer Google для классификации изображений по классам ImageNet и извлечения визуальных признаков.

Подходит для: Классификация изображений по 1000 классам ImageNet · Извлечение признаков изображений для downstream-задач · Дообучение классификатора на собственном наборе размеченных изображений

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

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 Qwen с 2 млрд параметров для диалогов, понимания изображений, рассуждений и вызова инструментов.

Подходит для: ответы на вопросы по изображению · диалоговый помощник с текстовым и визуальным вводом · вызов инструментов в агентных сценариях

Модель SigLIP2 для классификации изображений по двум меткам: Female и Male.

Подходит для: разметка изображений метками Female и Male · подсчёт распределения этих меток в наборе изображений · предварительная классификация изображений для последующей проверки человеком

Предобученный визуальный трансформер DINOv2 для извлечения признаков изображений и последующего использования в задачах компьютерного зрения.

Подходит для: извлечение признаков из изображений для классификатора · подготовка визуальных эмбеддингов для поиска похожих изображений · получение представлений изображений для downstream-задач компьютерного зрения

Модель audEERING на основе Wav2Vec2 оценивает возраст и гендерную категорию говорящего по аудиозаписи и извлекает речевые представления.

Подходит для: оценка примерного возраста говорящего по голосу · классификация голосовой записи по категориям ребёнок, женщина или мужчина · извлечение признаков аудиозаписи для анализа речи

TRELLIS Image Large создаёт 3D-объекты по входному изображению.

Подходит для: создание 3D-модели объекта по изображению · преобразование концепт-арта в трёхмерный объект · подготовка 3D-объектов для визуализации

Компактная ResNet18 от timm для классификации изображений и извлечения визуальных признаков.

Подходит для: классификация объектов на изображениях · распознавание изображений из набора ImageNet-1k · извлечение карт признаков для компьютерного зрения

SAM 3 — модель Meta для поиска, сегментации и отслеживания объектов на изображениях и видео по текстовым или визуальным подсказкам.

Подходит для: выделение масками всех объектов заданного типа на изображении · сегментация объекта по точке, рамке или маске · поиск объектов на изображении по короткому текстовому запросу

TRELLIS.2-4B создаёт детализированные 3D-ассеты с PBR-материалами по одному изображению.

Подходит для: создание 3D-модели объекта по фотографии · генерация текстур для заданной 3D-сетки · подготовка детализированных 3D-ассетов для визуализации

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

MusicGen Medium — модель Meta AI для создания музыкальных фрагментов по текстовому описанию.

Подходит для: создание фоновой музыки по текстовому описанию · генерация музыкальных фрагментов заданного жанра или настроения · эксперименты с управляемой генерацией музыки

Компактная ViT-модель DINOv2, извлекающая признаки и эмбеддинги из изображений для визуального поиска, классификации и кластеризации.

Подходит для: извлечение эмбеддингов изображений · поиск похожих изображений · классификация изображений с дополнительной обучающей головой

OWLv2 — модель Google для обнаружения объектов на изображениях по текстовым запросам, включая классы, не заданные заранее.

Подходит для: поиск объектов на изображении по текстовому описанию · обнаружение нескольких заданных пользователем категорий на изображении · поиск объектов с метками, отсутствовавшими при обучении

ViT-модель Falconsai классифицирует изображения как обычные или содержащие NSFW-контент для автоматической модерации.

Подходит для: фильтрация откровенных изображений на пользовательской платформе · автоматическая модерация загружаемых фотографий · предварительная сортировка изображений по безопасности контента

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

Модель Google для быстрой генерации и редактирования изображений по запросу.

Подходит для: создание изображения по текстовому описанию · редактирование существующего изображения · быстрое получение визуальных вариантов

Модель Google на основе Gemini 3 Pro для генерации и редактирования изображений по запросу.

Подходит для: создание изображений по текстовому описанию · редактирование существующих изображений · генерация изображений с учётом реального мира

Stable Diffusion v1.5 — латентная диффузионная модель для создания и редактирования изображений по текстовым запросам.

Подходит для: создание иллюстраций по текстовому описанию · генерация концепт-арта для творческих проектов · подготовка визуальных идей и дизайн-макетов

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