Предварительно обученные на ImageNet веса mit_b1 для классификации изображений и использования как энкодера в segmentation-models-pytorch.

Подходит для: классификация изображений · использование энкодера mit_b1 в модели сегментации · создание компьютерного зрения на базе segmentation-models-pytorch

Предобученный на ImageNet энкодер mit_b0 для классификации изображений и использования в моделях компьютерного зрения.

Подходит для: классификация изображений · извлечение визуальных признаков для компьютерного зрения · использование энкодера mit_b0 в моделях сегментации

Предобученные на ImageNet веса энкодера mit_b4 для классификации изображений и построения сегментационных моделей на segmentation-models-pytorch.

Подходит для: Классификация изображений · Использование энкодера mit_b4 в модели сегментации изображений · Инициализация модели компьютерного зрения весами ImageNet

Предварительно обученные на ImageNet веса визуального энкодера MiT-B3 для классификации изображений и использования в моделях сегментации.

Подходит для: классификация изображений по категориям ImageNet · использование энкодера MiT-B3 в модели семантической сегментации · создание визуальных признаков для компьютерного зрения

Предобученный визуальный энкодер SegFormer MIT-B4 для классификации изображений и дообучения под семантическую сегментацию.

Подходит для: классификация изображений по классам ImageNet-1k · дообучение модели для семантической сегментации · создание сегментационной модели для городских сцен

Предварительно обученные на ImageNet веса энкодера mit_b2 для классификации изображений и использования в моделях сегментации на базе segmentation-models-pytorch.

Подходит для: классификация изображений · использование энкодера mit_b2 в модели сегментации · инициализация энкодера для дообучения на задачах компьютерного зрения

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

MiT-B1 в формате Keras 3 классифицирует изображения и извлекает визуальные признаки для задач компьютерного зрения.

Подходит для: классификация изображений по категориям · извлечение многоуровневых признаков изображений · использование визуального backbone в компьютерном зрении

Мультимодальная модель Meta на 29,6 млрд параметров для локальных агентных задач, работы с инструментами, программирования и анализа изображений.

Подходит для: выполнение многошаговых задач локальным ИИ-агентом · вызов инструментов и функций в диалоге · написание и отладка программного кода

Мультимодальная модель Xiaomi для генерации текста, агентных задач и работы с инструментами, с контекстом до миллиона токенов.

Подходит для: написание и исправление программного кода · выполнение многошаговых задач с вызовом инструментов · ответы на вопросы по длинным репозиториям и трассам взаимодействия

Предварительно обученные на ImageNet веса энкодера mit_b5 для классификации изображений и построения моделей сегментации в segmentation-models-pytorch.

Подходит для: классификация изображений с энкодером mit_b5 · использование ImageNet-предобученных признаков в модели сегментации · инициализация энкодера для обучения модели компьютерного зрения

Компактный энкодер SegFormer B0, обученный на ImageNet-1k для классификации изображений и дальнейшей настройки задач сегментации.

Подходит для: Классификация изображений по классам ImageNet-1k · Дообучение энкодера для семантической сегментации · Использование визуального энкодера в экспериментах с компьютерным зрением

Предобученный энкодер SegFormer B2 для классификации изображений и дообучения на семантическую сегментацию.

Подходит для: классификация изображений по классам ImageNet · дообучение модели для семантической сегментации сцен · адаптация к сегментации городских улиц на Cityscapes

Mitra Classifier — 12-слойная Transformer-модель для классификации табличных данных, предварительно обученная на синтетических примерах.

Подходит для: классификация строк табличного набора данных · предсказание категории объекта по его табличным признакам · базовая классификация данных в AutoGluon Tabular

AST — дообученная на AudioSet модель на основе Vision Transformer для классификации звуковых событий в аудио.

Подходит для: классификация звуковых событий в аудиозаписях · распознавание звуков из набора классов AudioSet · анализ аудиозаписей для выявления характерных звуков

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

Небольшая англоязычная авторегрессионная модель EleutherAI для исследований генерации текста и поведения языковых моделей.

Подходит для: исследование интерпретируемости языковых моделей · эксперименты с предсказанием следующего токена · сравнение контрольных точек обучения Pythia

MiniMax-M3 — мультимодальная модель с контекстом до 1 млн токенов для диалогов, анализа изображений и видео, программирования и агентных задач.

Подходит для: ответы на вопросы по изображениям · анализ видеоматериалов в контексте диалога · написание и разбор кода

Предварительно обученный на ImageNet-1k энкодер SegFormer B1 для классификации изображений и дообучения на семантическую сегментацию.

Подходит для: классификация изображений по классам ImageNet · дообучение энкодера для семантической сегментации · создание модели сегментации городских сцен

Крупная модель MoE на базе Qwen 3.5 для агентного программирования, решения задач разработки и работы с инструментами.

Подходит для: решение задач разработки в терминальном coding-агенте · поиск и исправление ошибок в кодовой базе · автоматизация задач программирования с вызовом инструментов

Большая языковая модель NVIDIA с архитектурой LatentMoE для диалогов, рассуждений, длинного контекста и ИИ-агентов.

Подходит для: автоматизация классификации и обработки IT-заявок · создание чат-бота с поддержкой длинного контекста · ответы на вопросы по нескольким документам в RAG-системе

Предварительно обученный энкодер SegFormer B5 для классификации изображений и дообучения под семантическую сегментацию.

Подходит для: классификация изображений по классам ImageNet-1k · дообучение энкодера для семантической сегментации · использование признаков изображения в визуальных задачах

Предварительно обученный энкодер SegFormer B3 для классификации изображений и дообучения на семантическую сегментацию.

Подходит для: Классификация изображений по классам ImageNet-1k · Дообучение энкодера для семантической сегментации · Создание модели сегментации для городских сцен

Агентная модель Moonshot AI для сложных задач программирования и многоэтапной разработки ПО с поддержкой изображений, видео и инструментов.

Подходит для: написание и изменение кода в крупных проектах · выполнение многоэтапных задач разработки через агентный интерфейс · поиск и исправление ошибок в программном обеспечении