Визуальный трансформер DINOv2 для извлечения признаков и эмбеддингов из изображений.

Подходит для: извлечение признаков изображений для компьютерного зрения · создание эмбеддингов для поиска похожих изображений · сравнение изображений по визуальному сходству

Визуальный энкодер DINOv2 на базе ViT для извлечения признаков и эмбеддингов изображений.

Подходит для: извлечение признаков из изображений · получение эмбеддингов изображений для поиска по сходству · классификация изображений с использованием визуального бэкбона

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 MoE-модель Tencent для визуального понимания физической среды, рассуждений о действиях и планирования embodied-агентов.

Подходит для: ответы на вопросы об изображениях и физической среде · понимание состояния агента и окружающих объектов · планирование действий робота с учётом ожидаемых последствий

TurboVLA напрямую преобразует изображения, языковые инструкции и состояние робота в последовательности действий для роботизированных манипуляций.

Подходит для: управление манипулятором по текстовой инструкции и изображениям с камер · выполнение задач перестановки и взаимодействия с объектами в LIBERO · оценка политики управления роботом на задачах RoboTwin 2.0

Мультимодальная модель H Company на базе Qwen3.8-27B, которая анализирует скриншоты и помогает агенту выполнять задачи в интерфейсах приложений.

Подходит для: автоматизация действий в настольных приложениях по скриншотам · выполнение рабочих процессов в веб-интерфейсах · ввод текста и управление приложениями с помощью щелчков

Крупный визуальный энкодер DINOv2 с register-токенами для извлечения признаков и эмбеддингов изображений.

Подходит для: извлечение эмбеддингов изображений для поиска по сходству · подготовка признаков изображений для обучения классификатора · построение систем компьютерного зрения на основе предобученного энкодера

Компактная модель Hiera от Meta извлекает признаки из изображений для последующих задач компьютерного зрения.

Подходит для: получение визуальных признаков для собственного классификатора · извлечение представлений изображений для поиска по сходству · подготовка признаков изображений для последующей компьютерной обработки

Мультимодальная модель Tencent для анализа изображений и embodied-рассуждений, предназначенная для интеграции в системы управления физическими роботами.

Подходит для: ответы на вопросы о содержимом изображений для роботов · пространственное понимание сцен и расположения объектов · рассуждения о взаимодействии физических объектов

Визуальный энкодер DINOv3 ViT Huge для извлечения признаков и эмбеддингов изображений в системах компьютерного зрения.

Подходит для: Извлечение эмбеддингов изображений для поиска по визуальному сходству · Получение карт признаков для сегментации изображений · Подготовка визуальных признаков для классификатора изображений

Визуальная модель Meta AI на базе ConvNeXt Small извлекает универсальные признаки изображений для поиска, классификации, сегментации и других задач компьютерного зрения.

Подходит для: поиск похожих изображений по визуальным признакам · классификация изображений с линейным классификатором · семантическая сегментация изображений

Мультимодальная модель H Company на базе Qwen3.5 для управления веб-, настольными и мобильными интерфейсами через агентные системы.

Подходит для: автоматизация действий в веб-браузере · управление настольными приложениями по скриншотам · автоматизация действий в мобильных приложениях

Visformer Small — модель timm для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet · получение эмбеддингов изображений для поиска похожих объектов · извлечение визуальных признаков для последующих задач компьютерного зрения

Мультимодальная модель H Company на базе Qwen3.6-35B-A3B для управления компьютером через анализ скриншотов и вызовы инструментов.

Подходит для: управление приложениями по скриншотам · автоматизация действий в веб-браузере · выполнение рабочих процессов на рабочем столе

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

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

Визуальный энкодер NVIDIA на базе Vision Transformer, преобразующий RGB-изображения в эмбеддинги для классификации, сегментации и других задач компьютерного зрения.

Подходит для: извлечение признаков для классификации изображений · поиск и группировка изображений по содержанию · отбор и курирование коллекций изображений

Гигантский предобученный DINOv2 Vision Transformer с register-токенами извлекает полезные признаки и эмбеддинги из изображений.

Подходит для: извлечение эмбеддингов изображений для поиска по визуальному сходству · подготовка признаков изображений для обучения классификатора · извлечение визуальных признаков для последующих компьютерно-зрительных задач

Зрительная модель Meta AI на базе ViT-7B извлекает плотные признаки изображений для классификации, поиска, сегментации и других задач компьютерного зрения.

Подходит для: извлечение признаков для классификации изображений · поиск похожих изображений по эмбеддингам · сегментация изображений с линейным классификатором

Зрительный модуль ShareGPT4V на базе CLIP, дообученный для извлечения признаков изображений и использования в мультимодальных моделях.

Подходит для: извлечение визуальных признаков из изображений · подготовка зрительного компонента мультимодального чат-бота · исследования мультимодальных моделей

Компактный визуальный трансформер EVA-02 для извлечения признаков и эмбеддингов изображений размером 224 × 224 пикселя.

Подходит для: извлечение эмбеддингов изображений · поиск похожих изображений · группировка изображений по визуальному сходству

Зрительная модель Meta AI на ConvNeXt Large извлекает плотные признаки изображений для классификации, поиска, сегментации и других задач компьютерного зрения.

Подходит для: извлечение признаков изображений для классификатора · поиск похожих изображений по эмбеддингам · семантическая сегментация изображений

Мультимодальная модель Tencent для пространственного понимания, планирования и поддержки действий роботов по изображениям и тексту.

Подходит для: Планирование последовательности действий бытового робота · Выбор объектов и понимание их положения на изображении · Разрешение ссылок на предметы в командах пользователя

Зрительная модель Meta AI на архитектуре ConvNeXt Base извлекает признаки изображений для классификации, поиска и других задач компьютерного зрения.

Подходит для: извлечение признаков изображений для классификатора · поиск похожих изображений по визуальному содержанию · подготовка признаков для семантической сегментации