Объединённая модель Mistral и Pygmalion для ролевых диалогов и текстового ассистирования.

Подходит для: ролевые диалоги с заданной предысторией персонажа · генерация ответов от лица персонажа · текстовый чат с ассистентом

Velara-11b — англоязычная модель на базе Starling и Mistral для диалогов с заданным персонажем и сохранением контекста беседы.

Подходит для: ролевые диалоги с заданным характером ассистента · текстовое общение с виртуальным персонажем · ведение беседы с учётом предыдущих реплик

Англоязычная чат-модель Delcos на базе Mistral для ролевых диалогов, следования промпту и поддержания контекста беседы.

Подходит для: ведение ролевых диалогов с заданным персонажем · чат с ассистентом на английском языке · поддержание деталей и событий в длинной беседе

Объединённая методом SLERP диалоговая модель Mistral на 7,1 млрд параметров для генерации текста и выполнения инструкций с контекстом до 32 768 токенов.

Подходит для: ответы на инструкции в диалоговом формате · генерация текста по запросу · ведение текстового диалога

Deacon-34B — 34-миллиардная дообученная модель Llama для генерации текста и ответов на инструкции.

Подходит для: генерация ответов на пользовательские инструкции · ведение диалога с ИИ-ассистентом · подготовка черновиков и связного текста

Объединённая чат-модель Mistral на 7,1 млрд параметров для генерации ответов на инструкции и диалоговые запросы.

Подходит для: ответы на вопросы в текстовом чате · выполнение инструкций на английском языке · составление черновиков и кратких текстов

Разговорная модель Starling на архитектуре Mistral с 11,3 млрд параметров для генерации текста в контекстном окне до 8192 токенов.

Подходит для: генерация ответов в текстовом чате · ведение диалога с языковой моделью · создание текстовых ответов по запросу

Слитая диалоговая модель на базе Mistral для генерации текста и ответов на инструкции.

Подходит для: ответы на пользовательские инструкции · диалог с текстовым чат-ботом · генерация продолжений текста

Дообученный ViT классифицирует изображения как реальные фотографии или созданные ИИ для анализа происхождения визуального контента.

Подходит для: проверка, создано ли изображение генеративным ИИ · предварительная сортировка изображений для проверки человеком · анализ происхождения изображений в исследовательских наборах данных

Deacon-3B — дообученная языковая модель Llama для генерации текста и выполнения инструкций.

Подходит для: ответы на инструкции в формате диалога · генерация текстовых ответов на вопросы · объяснение основ дообучения языковых моделей

deacon-13b — дообученная 13-миллиардная языковая модель Llama для генерации текста и выполнения инструкций.

Подходит для: ответы на общие вопросы в диалоговом формате · объяснение технических тем, например дообучения языковых моделей · выполнение текстовых инструкций

Производная модели sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Многоязычная модель BERT преобразует предложения и абзацы в 384-мерные векторы для семантического поиска, сравнения сходства и кластеризации.

Подходит для: семантический поиск по коллекции текстов · поиск перефразированных вопросов и предложений · сравнение смысловой близости текстов

Дообученная 1-миллиардная модель семейства Llama для генерации текста и ответов на инструкции.

Подходит для: генерация ответов на пользовательские инструкции · черновики ответов на общие вопросы · продолжение текста по заданному контексту

Разговорная модель Llama на 19,6 млрд параметров для генерации текста и выполнения инструкций.

Подходит для: ответы на вопросы в диалоге · написание и продолжение текстов · объяснение способов дообучения языковых моделей

Слабая начальная политика PI0.5, дообученная на демонстрациях для управления роботом при размещении двух мока-кофеварок на плите в LIBERO-10.

Подходит для: Эксперименты с начальной политикой робота в задаче LIBERO-10 task 8 · Воспроизведение сценария размещения двух мока-кофеварок на плите · Изучение метода ReCap на демонстрациях робототехнических задач

Англоязычная дообученная ModernBERT-модель, которая связывает числа в тексте клинических отчётов с соответствующими ячейками таблиц, не используя значения этих ячеек.

Подходит для: привязка чисел в клиническом отчёте к ячейкам таблиц результатов · поиск строки и столбца для показателя, временной точки и группы в повествовательном тексте · определение ячеек-операндов для сумм, разностей, процентов и отношений

Модель ранжирует распознанные ячейки таблиц и текстовые области по вероятности ошибки, помогая оператору быстрее проверять результаты OCR.

Подходит для: приоритизация ручной проверки распознанных финансовых таблиц · поиск вероятно ошибочных ячеек после OCR · выявление подозрительных объединённых или разделённых ячеек