Мультимодальная модель Xiaomi MiMo на 9 млрд параметров для агентных задач, программирования, кибербезопасности и анализа изображений.
Подходит для: написание и исправление кода · выполнение многошаговых агентных задач · анализ изображений в диалоге
Мультимодальная MoE-модель Xiaomi для генерации текста, агентных задач, программирования и анализа изображений, видео и аудио с контекстом до 1 млн токенов.
Подходит для: генерация ответов в диалоге с вызовом инструментов · выполнение многошаговых задач автономным агентом · разработка и анализ программного кода
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
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 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
Компактная мультимодальная модель Imp-v1-3b объединяет Phi-2 и SigLIP для ответов на вопросы и диалога по изображениям.
Подходит для: ответы на вопросы по изображениям · описание содержимого фотографии · визуальный диалог с пользователем
ViT-модель Alibaba MIIL для классификации изображений и извлечения визуальных признаков.
Подходит для: классификация объектов на изображениях · извлечение признаковых представлений изображений · использование визуального backbone в компьютерном зрении
Троично сжатая мультимодальная MoE-модель для локальных диалогов и анализа изображений на устройствах с ограниченной памятью.
Подходит для: диалог с локальным ИИ-помощником · ответы на вопросы по загруженным изображениям · описание содержимого изображения
Производная модели XiaomiMiMo/MiMo-VL-7B-RL-2508. Мультимодальная модель Xiaomi на 7 млрд параметров для анализа изображений и видео, визуального рассуждения и ответов на вопросы.
Подходит для: ответы на вопросы о содержимом изображения · описание объектов и сцен на изображениях · анализ и понимание видеороликов
Мультимодальная модель Xiaomi на 7 млрд параметров для анализа изображений и видео, визуального рассуждения и ответов на вопросы.
Подходит для: ответы на вопросы о содержимом изображения · описание объектов и сцен на изображениях · анализ и понимание видеороликов
Базовая мультимодальная модель Z.ai для исследований и дальнейшей разработки систем, работающих с изображениями и текстом.
Подходит для: исследование визуально-языковых моделей · разработка приложений для вопросов и ответов по изображениям · создание мультимодальных диалоговых систем
Компактная модель MobileNetV3 Large для классификации изображений и извлечения визуальных признаков.
Подходит для: классификация объектов на изображениях · извлечение признаковых карт для компьютерного зрения · получение эмбеддингов изображений
MILCO — многоязычная модель разреженных представлений для внутъязыкового и межъязыкового поиска документов.
Подходит для: поиск документов по запросам на том же языке · поиск документов по запросам на другом языке · создание разреженных индексов для многоязычного поиска
Мультимодальная модель Blackfrost на базе GLM-5.3-Flash для авторизованного тестирования защит и команд red teaming.
Подходит для: проверка устойчивости защитных механизмов к adversarial-запросам · тестирование систем обнаружения вредоносных запросов · проведение авторизованного red teaming
Merlin — 3D vision-language модель для компьютерной томографии, предварительно обученная на медицинских изображениях, электронных медицинских картах и радиологических заключениях.
Подходит для: сопоставление КТ-изображений с радиологическими заключениями · исследование связей между КТ и структурированными медицинскими картами · разработка систем анализа медицинских КТ-данных
OpenVLA-OFT — зрительно-языковая модель управления роботом, дообученная для манипуляционных задач LIBERO-Object.
Подходит для: предсказание действий робота по изображению сцены и текстовой инструкции · манипуляция объектами в задачах LIBERO-Object · генерация последовательности действий робота для симуляции
Mage-VL — мультимодальная модель на основе Qwen3-4B и визуального энкодера Mage-ViT для анализа изображений, видео и потоковых событий.
Подходит для: ответы на вопросы по содержимому видео · описание и анализ изображений · поиск и временная локализация событий в видео
ViT-модель Alibaba MIIL для классификации изображений и извлечения визуальных признаков.
Подходит для: классификация объектов на изображениях · получение эмбеддингов изображений · извлечение признаков для последующих задач компьютерного зрения
Конверсия MiniCPM-V-4.6 в формат MLX для мультимодального чата и ответов по изображениям на устройствах Apple Silicon.
Подходит для: ответы на вопросы по изображению · описание содержимого фотографии · диалог с учётом изображения
Полноточечная MLX-конверсия мультимодальной Qwen3.8-27B-Abliterated для диалогов, генерации текста и анализа изображений на Apple Silicon.
Подходит для: ответы на вопросы по изображениям · диалоги с мультимодальным помощником · генерация текста на английском и китайском
MViTv2 Small — vision transformer, обученный на ImageNet-1k для классификации изображений и извлечения визуальных признаков.
Подходит для: классификация объектов на изображениях · определение категории фотографии · извлечение признаков изображений для последующей обработки
Многомасштабная Vision Transformer модель для классификации изображений и извлечения визуальных признаков, обученная на ImageNet-1k.
Подходит для: классификация изображений по категориям ImageNet-1k · получение эмбеддингов изображений · извлечение признаков изображений для компьютерного зрения
Мультимодальная модель OpenGVLab для диалогов по изображениям и тексту, визуальных рассуждений и агентных задач.
Подходит для: ответы на вопросы о содержимом изображений · визуальное рассуждение и решение задач по диаграммам · извлечение текста и сведений из изображений
InternVLA-M1 — дообученная мультимодальная VLA-модель для разработки универсальных роботизированных политик по визуальным наблюдениям и языковым инструкциям.
Подходит для: управление роботом по визуальному наблюдению и текстовой инструкции · разработка универсальной роботизированной политики · исследование моделей vision-language-action