ASID-Captioner-3B анализирует видео и доступный звук, чтобы создавать подробные структурированные описания его содержания.

Подходит для: подробное описание сцен в видео · создание подписей к видео с учетом звуковой дорожки · описание персонажей, объектов и действий в ролике

ASID-Captioner-7B анализирует видео и доступный звук, чтобы создавать подробные описания с управляемым акцентом на выбранные атрибуты.

Подходит для: создание подробных описаний видеороликов · описание сцен, персонажей, объектов и действий в видео · составление описаний речи и звукового содержания видео

Компактная мультимодальная модель Hugging Face, которая отвечает на вопросы о видео и изображениях и описывает их по текстовым запросам.

Подходит для: ответы на вопросы по содержанию видео · создание кратких описаний и пересказов видео · описание изображений по текстовому запросу

Визуально-языковая модель JoyCaption на базе LLaVA для автоматического создания текстовых описаний изображений, в том числе для подготовки данных обучения диффузионных моделей.

Подходит для: создание подписей к изображениям для датасетов · подготовка описаний изображений для обучения диффузионных моделей · аннотирование цифрового искусства и иллюстраций

Плотная мультимодальная модель Qwen на 27 млрд параметров для диалогов, анализа изображений и видео, программирования и многошаговых задач.

Подходит для: ответы на вопросы по изображениям и диаграммам · извлечение и анализ информации из документов · понимание содержания видеозаписей

Мультимодальная модель Qwen с разреженной MoE-архитектурой для диалога, анализа изображений и агентных задач с длинным контекстом.

Подходит для: ответы на вопросы по изображениям · диалог с вызовом инструментов · выполнение агентных задач в программировании

Открытая мультимодальная модель Qwen с 35 млрд параметров для диалогов, агентного программирования и анализа изображений.

Подходит для: написание и изменение кода в репозитории · анализ структуры проекта и поиск причин ошибок · создание веб-интерфейсов по описанию

JoyCaption Beta One — визуально-языковая модель, создающая текстовые описания изображений для подготовки данных и обучения моделей генерации изображений.

Подходит для: создание подписей к изображениям для датасетов · подготовка описаний изображений для обучения diffusion-моделей · описание цифрового искусства и иллюстраций

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

Инструкционная мультимодальная модель Meta для диалогов, понимания изображений и ответов на вопросы о них.

Подходит для: диалог с ассистентом на поддерживаемых языках · ответы на вопросы по изображению · создание подписей и описаний изображений

LocateAnything-3B — мультимодальная модель NVIDIA для обнаружения объектов и привязки текстовых запросов к областям и точкам на изображениях.

Подходит для: поиск объектов на изображении по названию или описанию · обнаружение множества объектов в загруженных сценах · выделение области изображения, соответствующей фразе

Компактная мультимодальная модель для оценки воспринимаемого качества и эстетики изображений, а также качества видео по кадрам.

Подходит для: оценка качества изображений без эталонного изображения · ранжирование изображений по эстетической привлекательности · оценка качества видео по выборке кадров

Компактная мультимодальная модель Liquid AI для описания изображений, визуальных вопросов и обнаружения объектов.

Подходит для: описание содержимого фотографии · ответы на вопросы по изображению · обнаружение объектов и предсказание их рамок

Мультимодальная модель OpenGVLab для диалогов и генерации текста по изображениям, видео и текстовым запросам.

Подходит для: ответы на вопросы о содержимом изображения · описание сцен на видео · диалог с чередованием текста и визуальных входов

Мультимодальная модель OpenGVLab для диалогов и генерации ответов по тексту, изображениям и видео.

Подходит для: описание изображений и ответы на вопросы о них · анализ кадров и содержания видео · диалог с чередованием текста, изображений и видео

Мультимодальная модель DeepSeek для диалогов, рассуждений и агентных задач с изображениями и контекстом до одного миллиона токенов.

Подходит для: анализ изображений в диалоге · выполнение агентных задач с длинным контекстом · помощь в программировании и работе с кодовыми базами

Открытая мультимодальная модель Ai2 для вопросов по изображениям и видео, их описания, подсчёта и локализации объектов.

Подходит для: ответы на вопросы по содержимому изображения · ответы на вопросы по короткому видео · создание описаний изображений и видеосцен

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

Gemma 4 26B A4B IT — мультимодальная модель Google DeepMind для диалогов, рассуждений, программирования и анализа изображений с выдачей текста.

Подходит для: ответы на вопросы по изображению · извлечение текста и сведений из документов и PDF · распознавание текста на изображениях, включая многоязычный OCR

Открытая мультимодальная модель Ai2 для ответов на вопросы и описания изображений, нескольких изображений и видео.

Подходит для: ответы на вопросы о содержимом видео · создание подписей к изображениям и видео · подсчёт объектов на изображении или в видео

Мультимодальная модель Qwen на 4 млрд параметров для диалога, понимания изображений, рассуждений и вызова инструментов.

Подходит для: ответы на вопросы по изображениям · описание и анализ визуальных материалов · многошаговый диалог с длинным контекстом

Инструкционно-настроенная мультимодальная модель Google DeepMind для диалогов, анализа изображений и генерации текста в длинном контексте.

Подходит для: ответы на вопросы по изображению · извлечение текста и сведений из документов и PDF · анализ диаграмм, скриншотов и пользовательских интерфейсов

Компактная модель Moondream, дообученная для генерации текстовых описаний изображений.

Подходит для: создание подписей к изображениям · автоматическое описание визуальных сцен · добавление описаний к изображениям в каталоге

Mage-VL — мультимодальная модель Microsoft на базе визуального кодировщика Mage-ViT и Qwen3-4B для понимания изображений, видео и потоковых событий.

Подходит для: ответы на вопросы по изображениям · ответы на вопросы по видеозаписям · поиск и временная локализация событий в видео