Компактная модель DeiT на базе Vision Transformer для классификации изображений по 1 000 классам ImageNet.

Подходит для: классификация изображений ImageNet · распознавание объектов на фотографиях · извлечение признаков изображений для последующего классификатора

Компактная модель DeiT для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet · получение признаковых представлений изображений · использование как backbone в конвейере компьютерного зрения

Компактный визуальный трансформер DeiT для классификации изображений ImageNet-1k и извлечения признаков.

Подходит для: классификация изображений по категориям ImageNet-1k · извлечение эмбеддингов изображений · создание признакового бэкбона для компьютерного зрения

DACTYL — дообученный на DeBERTa V3 Large классификатор для выявления текста, сгенерированного языковыми моделями.

Подходит для: проверка текста на генерацию языковой моделью · выявление ИИ-текстов в пользовательских публикациях · анализ студенческих эссе на машинную генерацию

DaViT Small — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet-1k · извлечение карт признаков из изображений · получение векторных представлений изображений

Дообученная модель ViT классифицирует изображения как созданные человеком или сгенерированные ИИ.

Подходит для: проверка изображения на генерацию ИИ · первичная сортировка изображений по вероятному происхождению · поиск потенциально синтетических изображений в коллекции

Модель BEiT-Large с двумя головами классификации определяет, является ли изображение созданным человеком или ИИ, и оценивает его источник.

Подходит для: проверка иллюстрации на признаки генерации ИИ · определение вероятного генератора изображения · фильтрация ИИ-изображений на стоковой платформе

Черновая модель DSpark для ускорения мультимодальной генерации целевой модели ZDTaichu5.0-9B посредством спекулятивного декодирования.

Подходит для: ускорение ответов ZDTaichu5.0-9B на запросы с изображениями · ускорение решения визуальных математических задач · ускорение мультимодального рассуждения в vLLM

Объединённая модель Mistral на 10,6 млрд параметров для генерации текста с контекстом до 32 768 токенов.

Подходит для: генерация продолжения текста · создание черновиков и ответов по текстовому запросу · эксперименты с объединёнными языковыми моделями

pytorch: формат, квантизация, runtime и память принадлежат одному artifact

Экспериментальный Swin-классификатор с частотными признаками определяет, относится ли изображение лица к искусственному или человеческому классу.

Подходит для: классификация лицевого изображения как искусственного или человеческого · исследовательская проверка StyleGAN-синтетических лиц · сравнение классификации лиц при JPEG-сжатии

Разговорная модель Mixtral на 7,1 млрд параметров, объединяющая четыре экспертные модели для генерации текста.

Подходит для: диалоговое общение с языковой моделью · генерация художественного текста · создание персонажей и ролевые диалоги

Модель Deita для автоматической оценки качества пар «инструкция — ответ» при отборе данных для дообучения языковых моделей.

Подходит для: оценка качества пар «инструкция — ответ» · отбор примеров для supervised fine-tuning · автоматическая разметка качества обучающих данных

Исследовательская дистиллированная языковая модель Arcee.ai с KDA во всех слоях для изучения линейного внимания и генерации текста.

Подходит для: сравнение линейного внимания KDA с полным вниманием · исследование дистилляции внимания в языковых моделях · генерация текста на длинных последовательностях

Дообученная модель ViT классифицирует изображения как реальные или созданные Stable Diffusion, Midjourney, DALL·E и другими ИИ-генераторами.

Подходит для: определение, создано ли изображение ИИ · классификация изображения по генератору · проверка изображений Stable Diffusion

Модель Deita автоматически оценивает сложность текстовых инструкций для отбора данных при дообучении языковых моделей.

Подходит для: оценка сложности инструкций в SFT-датасете · автоматическая разметка примеров для instruction tuning · отбор инструкций по уровню сложности

Экспериментальная текстовая модель Mistral с 7,1 млрд параметров для изучения метода DARE на дообученных языковых моделях.

Подходит для: эксперименты с обнулением параметров дообучения методом DARE · генерация текста на основе Mistral · сравнение языковых моделей на бенчмарках ARC и HellaSwag

Французская модель CamemBERT для разметки токенов и извлечения дат, людей, организаций и местоположений из текста.

Подходит для: извлечение дат из французских писем · поиск дат и именованных сущностей во французских чатах · разметка людей и организаций во французских текстах

DAM1 — компактная англоязычная модель, которая отвечает на вопросы по фактам из короткого диалога, представляя их в виде дерева объектов и отношений.

Подходит для: ответы на вопросы о фактах, сообщённых в диалоге · поиск владельца или местоположения упомянутого объекта · определение свойств и характеристик объектов

Дообученная на Snowflake Arctic Embed L модель создаёт 1024-мерные текстовые эмбеддинги для семантического поиска и сравнения предложений.

Подходит для: семантический поиск по коллекции документов · сравнение смысловой близости двух предложений · поиск перефразирований и похожих ответов