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

Открытая мультимодальная MoE-модель Moonshot AI для программирования, анализа визуальных данных и автономного выполнения многошаговых задач с инструментами и агентами.

Подходит для: создание и исправление кода в многошаговых задачах · генерация веб-интерфейсов по текстовому описанию и изображениям · анализ изображений и видеокадров в диалоге

Компактная мультимодальная модель OpenGVLab для диалога по изображениям и видео, понимания документов, графиков и визуального текста.

Подходит для: ответы на вопросы по изображению · извлечение текста из документов и изображений · понимание графиков и инфографики

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

Визуальный Vision Transformer Meta AI для извлечения признаков изображений и использования их в классификации, поиске, сегментации и других задачах компьютерного зрения.

Подходит для: извлечение признаков изображений для классификатора · поиск похожих изображений по эмбеддингам · классификация изображений с линейным классификатором

Мультимодальная модель Ai2 для понимания сцен, пространственных отношений, нескольких изображений и временной последовательности в видео.

Подходит для: Ответы на вопросы о содержимом изображения · Определение точного положения объекта на изображении · Сопоставление объектов и сцен на нескольких изображениях

Модель NVIDIA для восприятия дорожной обстановки, объяснения решений и предсказания действий и траекторий автономного автомобиля по изображениям, видео, тексту и истории движения.

Подходит для: предсказание траектории автономного автомобиля · ответы на вопросы по видео с дорожных камер · привязка объектов на изображениях к координатам

Дообученная UkisAI модель Qwen для экономичного рассуждения, программирования и многошаговых агентных задач с поддержкой изображений.

Подходит для: решение задач программирования с агентом · выполнение многошаговых задач в терминале · разработка и отладка программного обеспечения

Мультимодальная модель OpenGVLab на 2,2 млрд параметров для диалогов, ответов на вопросы и анализа изображений и документов.

Подходит для: ответы на вопросы по изображению · извлечение сведений из документов и сканов · распознавание текста на изображениях

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

Мультимодальный агент inclusionAI на базе Qwen3.5-9B для выполнения задач в мобильных, веб- и настольных графических интерфейсах.

Подходит для: выполнение пошаговых задач в мобильных приложениях · навигация по сайтам и заполнение веб-форм · управление настольными приложениями через интерфейс ОС

Мультимодальная модель Abacus.AI на базе Qwen3.8-27B для многошагового использования инструментов и автоматизации задач.

Подходит для: выполнение многошаговых задач с вызовом инструментов · автоматизация рабочих процессов через агентные сценарии · управление действиями в исполняемой среде до достижения результата

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

Компактная Vision Transformer модель EVA02 Tiny классифицирует изображения и извлекает визуальные признаки.

Подходит для: классификация объектов на изображениях · распознавание категорий товаров по фотографиям · извлечение визуальных признаков для поиска изображений

Мультимодальная чат-модель OpenGVLab на 38 млрд параметров для анализа изображений и видео, визуального рассуждения и текстовых задач.

Подходит для: ответы на вопросы о содержимом изображения · сравнение и анализ нескольких изображений · понимание видеоматериалов

Дообученная мультимодальная модель Qwen3-VL-2B для пространственного понимания изображений и видео, локализации объектов и ответов на вопросы о сценах.

Подходит для: ответы на вопросы о сценах от первого лица · подсчёт объектов на изображениях и в видео · распознавание текста в видеосценах

Диффузионный трансформер NVIDIA, который генерирует будущие кадры видео по текстовому описанию и изображению первого кадра.

Подходит для: создание короткого ролика по описанию сцены и начальному изображению · визуализация движения объектов и персонажей в заданной сцене · генерация видеосцен для прототипов Physical AI

Мультимодальная модель NVIDIA на базе Qwen2.5-VL для рассуждений о физических сценах и планирования задач роботами по изображениям, видео и тексту.

Подходит для: Планирование следующих действий робота по видео окружающей среды · Разбор сложной команды для робота на последовательность задач · Анализ пространственных и временных событий в видео

Мультимодальная чат-модель LLaVA-NeXT на базе Vicuna-7B отвечает на вопросы об изображениях, описывает их и поддерживает визуальное рассуждение.

Подходит для: ответы на вопросы о содержимом изображения · создание текстовых описаний изображений · распознавание текста на изображениях

Мультимодальная модель Moonshot AI для диалогов, визуального анализа и рассуждений по изображениям и видео.

Подходит для: ответы на вопросы по изображению · решение математических задач по визуальным данным · анализ и понимание видеоматериалов

Мультимодальная модель OpenGVLab на 78 млрд параметров для диалога, анализа изображений и видео и визуального рассуждения.

Подходит для: ответы на вопросы по изображениям и видео · описание и сравнение нескольких изображений · анализ научных диаграмм и промышленных изображений

Мультимодальная модель Vection Labs на архитектуре Qwen3-VL MoE для программирования, агентных задач и анализа изображений и видео.

Подходит для: генерация и отладка программного кода · анализ и редактирование больших репозиториев · создание интерфейсов на React и TypeScript

Мультимодальная чат-модель на 34 млрд параметров, которая отвечает на вопросы об изображениях и выполняет визуальные инструкции.

Подходит для: ответы на вопросы о содержимом изображения · описание и подпись к изображению · диалог с изображениями

Мультимодальная модель OpenGVLab на 14 млрд параметров для диалогов и рассуждений по изображениям с текстовыми ответами.

Подходит для: ответы на вопросы по изображениям · описание и анализ изображений в диалоге · визуальное рассуждение по графикам и схемам