Визуально-языковая модель JoyCaption на базе LLaVA для автоматического создания текстовых описаний изображений, в том числе для подготовки данных обучения диффузионных моделей.

Подходит для: создание подписей к изображениям для датасетов · подготовка описаний изображений для обучения диффузионных моделей · аннотирование цифрового искусства и иллюстраций

Дообученная vision-encoder-decoder модель, которая генерирует короткие текстовые подписи к изображениям.

Подходит для: автоматическое создание подписей к фотографиям · генерация краткого описания изображения для каталога · подготовка текстовых описаний для коллекций изображений

JoyCaption Beta One — визуально-языковая модель, создающая текстовые описания изображений для подготовки данных и обучения моделей генерации изображений.

Подходит для: создание подписей к изображениям для датасетов · подготовка описаний изображений для обучения diffusion-моделей · описание цифрового искусства и иллюстраций

Дообученная модель VisionEncoderDecoderModel, которая генерирует короткие текстовые подписи к изображениям.

Подходит для: автоматическое создание подписей к изображениям · краткое описание фотографий для каталога · генерация текстовых альтернатив к изображениям

Компактная предобученная модель Google, которая анализирует изображения вместе с текстовым запросом и генерирует текст, преимущественно как основа для дообучения под конкретную задачу.

Подходит для: описание изображений после дообучения · ответы на вопросы по изображению · чтение текста на изображениях

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

Дообученная мультимодальная модель Qwen3-VL на 4 млрд параметров для диалога по изображениям, их анализа и генерации описаний.

Подходит для: генерация подписей к изображениям · создание текстовых аннотаций для наборов данных · ответы на вопросы по содержимому изображения

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

JoyCaption Beta One — визуально-языковая модель на базе LLaVA для создания подписей к изображениям и подготовки данных для обучения моделей генерации изображений.

Подходит для: создание подписей к изображениям для датасета генерации изображений · подготовка описаний цифровых иллюстраций и арта · описание фотографий и сцен

Дообученная мультимодальная модель Qwen2.5-VL для подробного, в том числе нефильтрованного, описания изображений.

Подходит для: создание подробных подписей к изображениям · описание художественных и стилизованных изображений · генерация описаний изображений с нестандартным соотношением сторон

Плотная мультимодальная модель Qwen на 27 млрд параметров для диалогов, анализа изображений и видео, программирования и многошаговых задач.

Подходит для: ответы на вопросы по изображениям и диаграммам · извлечение и анализ информации из документов · понимание содержания видеозаписей

Мультимодальная модель Qwen с разреженной MoE-архитектурой для диалога, анализа изображений и агентных задач с длинным контекстом.

Подходит для: ответы на вопросы по изображениям · диалог с вызовом инструментов · выполнение агентных задач в программировании

Открытая мультимодальная модель Qwen с 35 млрд параметров для диалогов, агентного программирования и анализа изображений.

Подходит для: написание и изменение кода в репозитории · анализ структуры проекта и поиск причин ошибок · создание веб-интерфейсов по описанию

Компактная модель Moondream, дообученная для генерации текстовых описаний изображений.

Подходит для: создание подписей к изображениям · автоматическое описание визуальных сцен · добавление описаний к изображениям в каталоге

Предобученная мультимодальная модель Google, которая анализирует изображения вместе с текстовыми запросами и предназначена для дообучения под задачи компьютерного зрения и языка.

Подходит для: создание подписей к изображениям · ответы на вопросы об изображении · чтение текста на изображениях

Предобученная мультимодальная модель Google, которая принимает изображение и текст и служит основой для дообучения под задачи компьютерного зрения и визуального языка.

Подходит для: дообучение модели для описания изображений · ответы на вопросы об изображении · чтение текста на изображениях

Компактная мультиязычная модель Google, которая анализирует изображения вместе с текстовым запросом и генерирует текстовый ответ, особенно после дообучения под конкретную задачу.

Подходит для: описание содержимого изображения · ответы на вопросы по изображению · чтение текста на изображениях

Дообученная модель Google на основе PaliGemma для создания текстовых подписей к изображениям COCO.

Подходит для: создание подписей к изображениям · автоматическое описание фотографий · генерация коротких текстов о содержимом изображения

Квантизированный 8-битный порт JoyCaption для Apple Silicon, создающий подробные текстовые описания изображений.

Подходит для: Создание подписей к изображениям для датасета генерации изображений · Подготовка текстовых описаний изображений для обучения диффузионных моделей · Получение подробного текстового описания отдельного изображения

Открытая мультимодальная модель Ai2 для ответов на вопросы и описания изображений, нескольких изображений и видео.

Подходит для: ответы на вопросы о содержимом видео · создание подписей к изображениям и видео · подсчёт объектов на изображении или в видео

Компактная мультимодальная модель Google, которая анализирует изображения по текстовому запросу и предназначена для настройки под задачи компьютерного зрения.

Подходит для: создание подписей к изображениям · ответы на вопросы по изображению · чтение текста на изображении

LocateAnything-3B — мультимодальная модель NVIDIA для обнаружения объектов и привязки текстовых запросов к областям и точкам на изображениях.

Подходит для: поиск объектов на изображении по названию или описанию · обнаружение множества объектов в загруженных сценах · выделение области изображения, соответствующей фразе

Открытая мультимодальная модель Ai2 для вопросов по изображениям и видео, их описания, подсчёта и локализации объектов.

Подходит для: ответы на вопросы по содержимому изображения · ответы на вопросы по короткому видео · создание описаний изображений и видеосцен

Мультимодальная модель JetBrains, объединяющая два чекпойнта Qwen для диалогов, анализа изображений и задач программирования.

Подходит для: ответы на вопросы по изображениям · диалоговое взаимодействие с мультимодальной моделью · помощь в написании и разборе кода