Мультимодальная модель ByteDance на базе Qwen3-VL-4B и SAM3 для диалога, сегментации объектов по текстовому описанию на изображениях и видео.

Подходит для: выделение объекта на изображении по текстовому описанию · сегментация упомянутого объекта в видео · отслеживание объекта по кадрам видео

Мультимодальная модель на базе LLaVA-1.5-7B для визуального диалога и сегментации описанных пользователем объектов на изображениях и видео.

Подходит для: сегментация объекта на изображении по текстовому описанию · сегментация упомянутого объекта в видеоклипе · ответы на вопросы о содержимом изображения

Модель Open-Vocabulary SAM создаёт маски объектов на изображениях и поддерживает их распознавание по открытому словарю категорий.

Подходит для: создание масок объектов на изображениях · интерактивная сегментация объектов · выделение объектов по категориям открытого словаря