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

Гибридная 4-битная модель MiniMax-H3 для генерации видео по первому кадру с одновременным управлением персонажем, сценой или стилем через референсные изображения.

Подходит для: создание ролика с заданным первым кадром и персонажем с референса · генерация видео с сохранением внешности персонажа из изображения-образца · создание сцены, продолжающей заданный ключевой кадр

Мультимодальная VLA-модель NVIDIA для рассуждений о дорожной обстановке и прогнозирования траектории автомобиля в сценариях автономного вождения.

Подходит для: прогнозирование траектории автомобиля по данным камер и истории движения · объяснение решений системы автономного вождения · ответы на вопросы о дорожной сцене

Гибридная W6A8-сборка MiniMax-H3 для генерации видео по тексту, изображениям, ключевым кадрам и референсам в ComfyUI.

Подходит для: генерация видео по текстовому описанию · анимация изображения в видео · создание видео по ключевым кадрам

RepVGG-A2 — сверточная модель для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация объектов на изображениях · получение карты признаков изображения · извлечение визуальных эмбеддингов

Квантованный гибрид MiniMax-H3 для генерации видео по изображениям, ключевым кадрам и референсам в ComfyUI.

Подходит для: генерация видео по начальному или ключевым кадрам · генерация видео с референсом субъекта, сцены или стиля · создание видео по текстовому запросу в ComfyUI

Мультимодальная модель Abacus.AI на базе Qwen3.8-27B для многошагового использования инструментов и автоматизации задач.

Подходит для: выполнение многошаговых задач с вызовом инструментов · автоматизация рабочих процессов через агентные сценарии · управление действиями в исполняемой среде до достижения результата

Зрительная модель Apple AIMv2 с 308,3 млн параметров для извлечения признаков изображений и задач визуального понимания.

Подходит для: извлечение признаков изображений для последующего анализа · поиск похожих изображений по визуальным признакам · визуальное понимание изображений в мультимодальных системах

Производная модели ByteDance/Sa2VA-Qwen2_5-VL-3B. Мультимодальная чат-модель Sa2VA для ответов по изображениям и видео, понимания визуальных подсказок и сегментации объектов.

Подходит для: ответы на вопросы по изображению · ответы на вопросы по видео · сегментация объектов на изображениях

Производная модели ByteDance/Sa2VA-Qwen2_5-VL-3B. Мультимодальная чат-модель Sa2VA для ответов по изображениям и видео, понимания визуальных подсказок и сегментации объектов.

Подходит для: ответы на вопросы по изображению · ответы на вопросы по видео · сегментация объектов на изображениях

Sa2VA-1B — мультимодальная модель для ответов на вопросы по изображениям и видео, визуальной локализации и сегментации объектов.

Подходит для: ответы на вопросы по содержимому изображений · ответы на вопросы по видео · сегментация объектов на изображениях

Sa2VA-8B — мультимодальная модель для вопросов и ответов по изображениям и видео, визуальной привязки и сегментации объектов.

Подходит для: ответы на вопросы по изображениям · ответы на вопросы по видео · сегментация объекта по текстовому описанию

Многовидовая модель мира для робототехники, предсказывающая будущие наблюдения камер по начальному изображению и последовательности действий.

Подходит для: прогнозирование видео с нескольких камер по действиям робота · открытые роллауты будущих наблюдений робота · пошаговое авторегрессионное моделирование действий и наблюдений

Производная модели ByteDance/Sa2VA-Qwen2_5-VL-3B. Мультимодальная чат-модель Sa2VA для ответов по изображениям и видео, понимания визуальных подсказок и сегментации объектов.

Подходит для: ответы на вопросы по изображению · ответы на вопросы по видео · сегментация объектов на изображениях

Зрительная модель Apple AIMv2 для извлечения векторных признаков изображений и их использования в задачах визуального поиска и сопоставления.

Подходит для: извлечение признаков изображений для поиска по визуальному сходству · построение векторного индекса изображений · сопоставление изображений с текстовыми представлениями в мультимодальной системе

Модель компьютерного зрения Apple для извлечения признаков из изображений и использования в последующих задачах визуального анализа.

Подходит для: извлечение признаков изображения для поиска похожих изображений · подготовка визуальных эмбеддингов для мультимодальных систем · получение признаков изображений для последующей классификации

Производная модели ByteDance/Sa2VA-Qwen2_5-VL-3B. Мультимодальная чат-модель Sa2VA для ответов по изображениям и видео, понимания визуальных подсказок и сегментации объектов.

Подходит для: ответы на вопросы по изображению · ответы на вопросы по видео · сегментация объектов на изображениях

Зрительная модель Apple AIMv2 для извлечения признаков изображений в задачах компьютерного зрения и мультимодального понимания.

Подходит для: извлечение признаков изображений для последующей классификации · подготовка визуальных представлений для мультимодального поиска · использование признаков в системах понимания изображений

Модель EVA-02 Base классифицирует изображения и извлекает визуальные признаки для компьютерного зрения.

Подходит для: классификация изображений по категориям · извлечение эмбеддингов изображений для поиска похожих объектов · получение признаков изображений для последующих задач компьютерного зрения

PAE-LLaVa-7B — диалоговая модель LLaVA на базе Mistral для работы с изображениями и текстом в сценариях автономных интернет-агентов.

Подходит для: ответы на вопросы об изображениях · диалог по визуальному содержимому · анализ изображений по текстовому запросу

Компактная модель Vaayu для локальной генерации структурированных вызовов инструментов в агентных системах и интеграциях MCP.

Подходит для: генерация вызовов инструментов по JSON-схеме · передача аргументов инструментам через JSON-RPC · подключение локальных MCP-серверов к агенту

Производная модели Skywork/SkyReels-V3-A2V-19B. SkyReels-V3-A2V-19B — диффузионная модель Skywork для генерации видео с аудиосопровождением, включая говорящие аватары с синхронизацией губ.

Подходит для: создание говорящего аватара по изображению и аудиозаписи · синхронизация движений губ с речью или пением · генерация видео с персонажем на основе референсного изображения

Предварительная модель MindLab Research на базе GLM-5.1 для персонального агентного планирования, вызова инструментов, программирования и генерации интерфейсов.

Подходит для: планирование личных дел с учётом меняющихся условий · поиск мест и координация маршрутов через инструменты · работа с календарём и задачами через агентные API

Визуальная модель Apple с 2,7 млрд параметров для извлечения признаков изображений и задач визуального понимания.

Подходит для: извлечение признаков из изображений · подготовка визуальных представлений для поиска по изображениям · распознавание объектов и категорий