Мультимодальная модель CraftJarvis для восприятия сцен Minecraft и генерации текстовых действий управления на базе Qwen2-VL-7B-Instruct.

Подходит для: управление персонажем Minecraft по визуальному наблюдению · генерация текстовых команд действий для агента Minecraft · сочетание движения и привязки действий к объектам в сцене Minecraft

Компактная модель VITS для преобразования китайского текста в речь.

Подходит для: озвучивание китайского текста · синтез речи для китайскоязычных приложений · создание речевых прототипов на основе Transformers.js

FIBO — модель Bria AI для генерации изображений по тексту с точным управлением композицией, освещением, цветом и параметрами камеры.

Подходит для: создание изображений по подробному структурированному описанию · генерация иллюстраций с заданными композицией и освещением · итеративное уточнение отдельных характеристик изображения

Модель Bert-VITS2 для синтеза китайской речи с тайваньским акцентом.

Подходит для: озвучивание китайского текста с тайваньским акцентом · генерация речи для аудиоконтента на китайском языке · создание голосовой озвучки из текстовых реплик

Модель на базе Qwen3-1.7B преобразует текстовые запросы в структурированные описания LEGO-конструкций.

Подходит для: генерация спецификации LEGO-конструкции по текстовому описанию · создание структурированного представления кирпичной модели для BrickGPT · эксперименты с генерацией LEGO-структур на естественном языке

PlayJev — дообученная мультимодальная модель для выбора ходов в небольших играх по кадру экрана и списку допустимых действий.

Подходит для: выбор хода в браузерной игре по скриншоту · управление игрой из набора допустимых действий · оценка вероятностей игровых ходов за один проход модели

Hy-Embodied-RxBrain-1.0 объединяет языковое рассуждение и генерацию изображений для понимания сцен, прогнозирования последствий действий и визуального планирования.

Подходит для: ответы на вопросы по изображениям и многокадровому видео · рассуждение о сценах и пространственных отношениях · прогноз кадров, показывающих последствия действия

Дообученная компактная языковая модель для игры в тетрис и генерации текстовых пояснений к ходам.

Подходит для: выбор ходов в текстовом симуляторе тетриса · генерация пояснений к игровым ходам · эксперименты с управлением игрой с помощью языковой модели

Мультимодальная модель Alibaba DAMO Academy для понимания изображений и видео, пространственных рассуждений и локализации объектов в embodied AI.

Подходит для: Определение объектов и их атрибутов на изображении · Поиск объектов в изображении или видео по текстовой инструкции · Понимание пространственных отношений между объектами

Производная модели open-gigaai/GigaBrain-0-3.5B-Base. Базовая VLA-модель GigaBrain-0 для управления роботами по визуальным наблюдениям и текстовым инструкциям, планирования и манипуляций.

Подходит для: управление роботом по визуальному наблюдению и текстовой инструкции · ловкие манипуляции с предметами · понимание пространственного положения и состояния объектов

DreamBooth-модель Stable Diffusion для создания изображений в стиле knolling по запросу со словом «knollingcase».

Подходит для: генерация изометрических композиций предметов · создание технических схем и разборов объектов · визуализация предметов с подписями и оверлеями

PixelModel — игрушечная MLP от Bench Labs, которая генерирует изображения 32×32 по текстовым запросам.

Подходит для: эксперименты с обучением генеративных моделей на игрушечных наборах данных · генерация простых изображений 32×32 по короткому текстовому запросу · изучение кодирования весов нейросети в пикселях PNG

Компактная модель bench-labs на основе DiT генерирует изображения 256 × 256 по англоязычным текстовым описаниям.

Подходит для: создание квадратной иллюстрации по текстовому описанию · визуализация объектов и бытовых сцен · генерация изображений для прототипов и экспериментов

ThinkMorph-7B — дообученная мультимодальная модель для последовательного рассуждения о визуальном содержимом и его преобразования.

Подходит для: пошаговое рассуждение по изображению · решение визуальных головоломок · ответы на вопросы по диаграммам

InnoSpark3.0-35B-260709 — дообученная образовательная мультимодальная модель для объяснений, обучения и помощи ученикам и преподавателям.

Подходит для: пошаговое объяснение учебных понятий · ответы на вопросы учеников по учебным темам · помощь с домашними заданиями

AlphaSpace-1.5B — дообученная языковая модель Menlo Research для рассуждений о перемещении объектов и их размещении в 3D по координатам.

Подходит для: выбор координат для размещения объекта на столе · планирование операций pick-and-place по структурированному описанию сцены · пространственные рассуждения об атрибутах и высоте объектов

Grok Build 0.1 — модель SpaceXAI для интерактивного программирования и агентных рабочих процессов разработки ПО.

Подходит для: написание и редактирование кода · помощь в агентных сценариях разработки ПО · интерактивное решение задач программирования

Grok 4.3 — мультимодальная модель рассуждений SpaceXAI для выполнения инструкций, анализа изображений и агентных сценариев.

Подходит для: следование инструкциям в диалоге · анализ изображений с ответом на вопросы · подготовка текстовых ответов для агентных приложений