VideoMAE Base — дообученная на Kinetics-400 модель для классификации видео по 400 категориям.
Подходит для: распознавание действий в видеоклипах · классификация видео по категориям Kinetics-400 · автоматическая разметка видеотеки по типам активности
X-CLIP сопоставляет видео с текстовыми описаниями и поддерживает zero-shot классификацию и поиск видео по тексту.
Подходит для: классификация видео без обучения на целевых метках · классификация видео по нескольким примерам · классификация видео с учителем
Потоковая видео-языковая модель на базе Qwen3-VL-4B-Instruct для анализа видеопотока, ответов на вопросы и проактивного взаимодействия.
Подходит для: ответы на вопросы о текущем видеопотоке · поиск событий и деталей в ранее просмотренных фрагментах видео · диалог с видео в реальном времени
LLaVA-NeXT-Video-7B — мультимодальная чат-модель для ответов на текстовые вопросы об изображениях и видео.
Подходит для: ответы на вопросы о содержимом видеоролика · краткое описание сцен и событий в видео · поиск визуальных деталей по текстовому запросу
Мультимодальная модель Kuaishou на 7,6 млрд параметров для понимания коротких видео, изображений и визуальных вопросов.
Подходит для: ответы на вопросы о событиях в коротком видео · краткое описание содержания ролика · поиск и локализация объектов или действий в видео
Мультимодальная модель Kuaishou для анализа видео и изображений, ответов на вопросы и рассуждений с контекстом до 131 072 токенов.
Подходит для: ответы на вопросы о содержании видео · краткий анализ длинных видеозаписей · описание и интерпретация изображений
Мультимодальная модель LMMS-Lab на базе Qwen2 для диалога, анализа видео и ответов на вопросы по видеокадрам.
Подходит для: ответы на вопросы о содержании видео · краткое описание сцены или видеоролика · определение событий и действий в видеокадрах
X-CLIP — видео-языковая модель Microsoft для классификации роликов и поиска соответствий между видео и текстом.
Подходит для: классификация видео без дополнительного обучения по текстовым меткам · классификация роликов с несколькими примерами на класс · классификация видео на размеченных данных
VideoChat3-4B — мультимодальная модель для ответов на вопросы и понимания изображений, обычных и потоковых видео.
Подходит для: ответы на вопросы о содержании видео · описание событий в длинных видеозаписях · понимание происходящего в потоковом видео
Модель TimeSformer классифицирует видео по 600 категориям действий набора Kinetics-600.
Подходит для: распознавание действий в видео · автоматическая категоризация коротких роликов · поиск видео по типу действия
VideoMAE — видеомодель на архитектуре Transformer для классификации действий и событий в роликах.
Подходит для: классификация действий в коротких видеороликах · распознавание взаимодействий с предметами в видео · автоматическая категоризация видеоклипов
Базовая видеоязыковая X-CLIP сопоставляет видео и текст и поддерживает классификацию видео и поиск по текстовому запросу.
Подходит для: классификация видео по описаниям без дообучения · распознавание действий и сцен в видео · поиск видео по текстовому запросу
TimeSformer Base классифицирует видео по 400 категориям действий Kinetics-400.
Подходит для: распознавание действий в видеороликах · автоматическая категоризация видеотеки · поиск видео по типу действия
Мультимодальная модель OpenGVLab на основе InternVL2.5 для диалога по видео, ответов на вопросы о роликах и анализа последовательности событий.
Подходит для: ответы на вопросы о содержании видео · описание событий и деталей в ролике · анализ последовательности событий в длинном видео
X-CLIP Large Patch14 — видеоязыковая модель Microsoft для классификации видео и поиска соответствий между видео и текстом.
Подходит для: классификация видео без дополнительного обучения · классификация видео по нескольким размеченным примерам · классификация видео с размеченным обучающим набором
Крупная видеомодель VideoMAE V2 для извлечения признаков и классификации видеоматериалов.
Подходит для: извлечение признаков из видеороликов · классификация видеосодержимого · подготовка признаков видео для последующего анализа
Модель OpenGVLab анализирует видеокадры и отвечает на вопросы о содержании видео на естественном языке.
Подходит для: ответы на вопросы о содержании видеоролика · создание краткого описания длинного видео · поиск событий и действий в видеозаписи
GenS — мультимодальная модель для отбора релевантных кадров из длинного видео по текстовому вопросу.
Подходит для: поиск кадров, отвечающих на вопрос о длинном видео · отбор информативных кадров для VideoQA-системы · поиск кадров с нужным событием или временной последовательностью
VideoMAE-base — предобученный без учителя видеотрансформер для извлечения признаков и последующего дообучения, в том числе для классификации видео.
Подходит для: дообучение классификатора для категоризации видеороликов · извлечение признаков из видео для последующего анализа · восстановление замаскированных фрагментов видеокадров
Открытая мультимодальная модель OpenMOSS для анализа изображений и длинных видео, OCR, разбора документов и ответов на инструкции.
Подходит для: ответы на вопросы по изображениям и видеозаписям · поиск и локализация событий во времени в длинном видео · распознавание текста на изображениях и разбор документов
MOSS-VL-Realtime — мультимодальная модель OpenMOSS для вопросов и ответов по видеопотокам в реальном времени с учётом временных меток.
Подходит для: ответы на вопросы по текущей трансляции · наблюдение за видеопотоком с обновлением ответов по мере поступления кадров · определение времени и длительности событий в видео
Дообученная VideoMAE Large определяет движения камеры и тип кадра по видеоклипам.
Подходит для: классификация движения камеры в коротких видеоклипах · определение панорамирования, наклона и зумирования · поиск статичных или неопределённых по движению кадров
V-JEPA 2 — модель FAIR при Meta для классификации и представления видео и изображений, поиска по видеоданным и использования в качестве видеоэнкодера.
Подходит для: классификация видеороликов по содержанию · поиск видео по визуальному сходству · извлечение представлений из видеоклипов
VideoLLaMA3-7B — мультимодальная модель для анализа изображений и видео и ответов на вопросы о визуальном содержимом.
Подходит для: ответы на вопросы о содержимом видео · создание краткого пересказа видеоролика · описание изображений и сцен