Открытая мультимодальная модель Qwen на 27 млрд параметров для программирования, агентных задач и работы с изображениями.
Подходит для: генерация и отладка кода · анализ и изменение кода в репозитории · разработка веб-интерфейсов по описанию
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
Мультимодальная модель Alibaba для диалогов, рассуждений, анализа изображений и видео, программирования и агентной работы с инструментами.
Подходит для: создание мультимодального чат-бота · ответы на вопросы по изображениям · анализ содержимого видео
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
Aria — мультимодальная модель Rhymes AI для диалогов, анализа изображений, документов и видео с контекстом до 64K токенов.
Подходит для: ответы на вопросы по изображениям · извлечение и понимание информации в документах · описание содержимого 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
Открытая мультимодальная модель Moonshot AI для диалога, визуальных рассуждений, генерации кода по изображениям и агентного выполнения сложных задач.
Подходит для: ответы на вопросы по изображениям и визуальным материалам · генерация кода по макетам пользовательского интерфейса · анализ визуальных рабочих процессов и видеоописаний
Qwen-Image-2.1 — модель Qwen для генерации изображений по тексту и редактирования изображений, включая работу с прозрачностью и референсами.
Подходит для: создание изображений по текстовому описанию · генерация изображений с прозрачным фоном RGBA · редактирование выбранной области изображения по маске или пометке
Компактная мультимодальная модель OpenGVLab для диалога по изображениям и видео, понимания документов, графиков и визуального текста.
Подходит для: ответы на вопросы по изображению · извлечение текста из документов и изображений · понимание графиков и инфографики
Idefics2-8b — мультимодальная модель Hugging Face для ответов на вопросы об изображениях, распознавания текста и анализа визуальных материалов.
Подходит для: ответы на вопросы по одному или нескольким изображениям · создание текстовых описаний изображений · распознавание и транскрибирование текста на изображениях и в документах
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
Мультимодальная инструкционная модель Mistral AI на 24 млрд параметров для диалогов, анализа изображений и длинных документов, программирования и вызова функций.
Подходит для: создание диалогового помощника · ответы на вопросы по изображениям и диаграммам · извлечение сведений из документов и длинных текстов
Открытая vision-language модель Zyphra для диалога, анализа изображений и ответов на вопросы по визуальному содержимому.
Подходит для: ответы на вопросы по изображениям · извлечение сведений из диаграмм и графиков · ответы на вопросы по документам и сканам
Мультимодальная модель Z.ai для диалогов, анализа изображений, программирования и агентных задач.
Подходит для: ответы на вопросы по изображениям · описание и анализ визуальных материалов · помощь с программированием
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
Мультимодальная модель AutoTrust на базе Qwen для визуального анализа, ранжирования и принятия решений с вероятностными оценками.
Подходит для: ответы на вопросы по диаграммам и инфографике · извлечение и интерпретация сведений из документов на изображениях · ранжирование новостей и поисковых результатов по релевантности
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
Aria_hf_2 — мультимодальный чат-чекпойнт для ответов на вопросы и генерации описаний по изображениям и тексту.
Подходит для: ответы на вопросы о содержимом изображения · создание кратких описаний изображений · извлечение и понимание текста на документах и диаграммах
Мультимодальная модель InclusionAI для анализа изображений и видео, визуальных рассуждений и выполнения задач через интерфейсы.
Подходит для: ответы на вопросы по изображениям и скриншотам · извлечение и анализ сведений из документов и диаграмм · поиск событий и ответы на вопросы по длинным видео
Мультимодальная инструктивная модель Mistral на 14 млрд параметров для локальных диалоговых ассистентов, анализа изображений и агентных задач.
Подходит для: создание локального чат-ассистента · ответы на вопросы по изображению · вызов инструментов в агентных сценариях
Мультимодальная инструкционная модель Mistral AI на 8 млрд параметров для диалогов, анализа изображений и документов и агентных сценариев, в том числе при локальном развёртывании.
Подходит для: диалоговый помощник для локального развёртывания · описание изображений и ответы на вопросы по ним · извлечение и объяснение информации из изображений документов
Компактная мультимодальная модель Mistral AI для диалогов, выполнения инструкций и анализа изображений на локальных и периферийных устройствах.
Подходит для: ответы на вопросы по изображению · создание подписей к изображениям · классификация текста
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
Дистиллированная модель Alibaba для быстрой генерации изображений по текстовым описаниям с поддержкой английского и китайского текста на изображениях.
Подходит для: создание фотореалистичных изображений по описанию · генерация иллюстраций по текстовому запросу · создание изображений с надписями на английском или китайском