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

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 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

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

Модель Twinkle AI и APMIC на базе Llama 3.2 3B для диалогов, следования инструкциям и рассуждений преимущественно на традиционном китайском языке в тайваньском контексте.

Подходит для: ответы на вопросы о праве Тайваня · помощь в образовательных задачах · решение математических задач и задач на рассуждение

Визуальная модель Apple семейства AIMv2 с 2,7 млрд параметров для извлечения признаков изображений и поддержки задач компьютерного зрения.

Подходит для: извлечение визуальных признаков из изображений · подготовка представлений изображений для мультимодального поиска · использование визуального энкодера в системах распознавания

Зрительная модель Apple AIMv2 для извлечения признаков изображений и последующего решения задач визуального понимания.

Подходит для: извлечение признаков изображений для последующей классификации · поиск изображений по визуальному сходству · подготовка визуальных представлений для мультимодальных систем

AIMv2-3B-patch14-224 — зрительный энкодер Apple на 2,7 млрд параметров для извлечения признаков и анализа изображений.

Подходит для: извлечение визуальных признаков из изображений · получение представлений изображений для поиска и сопоставления · распознавание объектов на изображениях

Визуальный энкодер Apple AIMv2 с 679,5 млн параметров для извлечения признаков изображений и их использования в задачах компьютерного зрения.

Подходит для: извлечение признаков из изображений для downstream-моделей · создание визуальных представлений для мультимодального поиска · распознавание объектов и категорий изображений

Formosa-1 — дообученная модель Llama 3.2 на 3 млрд параметров для диалогов и выполнения инструкций на традиционном китайском и английском языках, в том числе с вызовом инструментов.

Подходит для: ответы на вопросы о праве Тайваня · помощь с учебными заданиями на традиционном китайском · выполнение пользовательских инструкций на традиционном китайском

AIM-7B — авторегрессионная модель Apple для извлечения визуальных признаков и классификации изображений.

Подходит для: классификация изображений по категориям · оценка качества визуальных признаков на ImageNet-1k · использование замороженного визуального энкодера в задачах компьютерного зрения

AIM-1B — предварительно обученная Apple авторегрессионная модель компьютерного зрения для классификации изображений и получения визуальных представлений.

Подходит для: классификация изображений · оценка качества визуальных признаков на ImageNet-1k · использование замороженной основы модели для компьютерного зрения

AIM-600M — авторегрессионная зрительная модель для извлечения признаков и классификации изображений.

Подходит для: классификация изображений · извлечение визуальных признаков для последующей классификации · оценка качества визуальных представлений на ImageNet-1k

Зрительная модель Apple на 308,3 млн параметров для извлечения признаков изображений и последующего поиска или анализа визуального сходства.

Подходит для: извлечение признаков для изображений · поиск изображений по визуальному сходству · подготовка векторов изображений для кластеризации

Компактная мультимодальная модель APMIC для помощников и агентных сценариев на традиционном китайском и английском языках с текстовым, графическим и аудиовходом.

Подходит для: локальный помощник для корпоративных пользователей на Тайване · ответы на вопросы по тексту и изображениям · обработка аудиозапросов с формированием текстового ответа

Базовая языковая модель на 3 млрд параметров, продолженно предобученная на традиционном китайском языке и материалах Тайваня для дальнейшей адаптации.

Подходит для: дообучение чат-ассистента на традиционном китайском · создание языковой модели с тайваньской лексикой и контекстом · адаптация модели для юридических текстов Тайваня

Базовая MoE-модель для генерации текста на традиционном китайском и английском языках, предназначенная также для дальнейшего дообучения.

Подходит для: генерация текста на традиционном китайском языке · продолжение текста в тайваньском языковом контексте · создание основы для инструкционного дообучения SFT

Компактная текстовая модель на базе Llama 3.2, продолжительно предобученная для генерации текста на традиционном китайском и адаптации к тайваньскому контексту.

Подходит для: генерация текста на традиционном китайском · продолжение фрагментов текста на китайском или английском · дообучение инструктивной модели для тайваньского контекста

Лёгкая инструкционная модель на 270 млн параметров для текстовых диалогов на традиционном китайском языке в контексте Тайваня и запуска на устройствах с ограниченными ресурсами.

Подходит для: диалоги на традиционном китайском языке для пользователей из Тайваня · ответы на инструкции и вопросы на традиционном китайском языке · встраивание чат-модели в приложения для периферийных устройств