Мультимодальная модель Qwen для потоковых текстовых и голосовых диалогов, понимания аудио, изображений и видео.

Подходит для: голосовой помощник с ответами в реальном времени · распознавание и понимание речи на русском и других языках · ответы на вопросы по изображениям

Occamy-1.0 — дообученная мультимодальная MoE-модель для длительных агентных задач, программирования и совместной работы с инструментами.

Подходит для: выполнение многоэтапных рабочих процессов с вызовом инструментов · написание и отладка кода через терминал · поиск и обработка информации в ходе агентной задачи

Qwen2.5-Omni-7B — мультимодальная модель Qwen для диалога с текстом, изображениями, аудио и видео, с генерацией текстовых и речевых ответов.

Подходит для: голосовой диалог с потоковой генерацией речи · распознавание и понимание речи · ответы на вопросы по изображениям

Gemma 4 E4B Instruct — компактная мультимодальная модель Google DeepMind для диалога, рассуждений, программирования, анализа изображений и обработки аудио.

Подходит для: ответы на вопросы по изображениям и снимкам экрана · извлечение текста и сведений из документов и PDF · распознавание речи и подготовка транскриптов

Мультимодальная Gemma 4 E2B IT от Google DeepMind для диалогов, рассуждений, программирования и анализа текста, изображений и аудио с выдачей текстовых ответов.

Подходит для: ответы на вопросы по тексту и изображениям · извлечение текста и сведений из документов и скриншотов · распознавание и транскрибирование речи

Инструкционная мультимодальная модель Google DeepMind для диалога, анализа текста, изображений, видео и аудио, а также генерации кода.

Подходит для: ответы на вопросы по изображениям и документам · извлечение текста и данных из сканов и PDF · транскрибация аудио и перевод речи в текст

Gemma 4 E4B — мультимодальная модель Google DeepMind для диалога, рассуждений, программирования и анализа изображений и аудио с генерацией текстовых ответов.

Подходит для: ответы на вопросы по изображениям и документам · распознавание речи и преобразование аудио в текст · перевод речи в текст на других языках

Инструкционная мультимодальная модель Google DeepMind на 12 млрд параметров для диалога, анализа изображений, аудио и видео, генерации текста и кода.

Подходит для: ответы на вопросы по документам и PDF · извлечение текста с изображений и распознавание рукописного текста · распознавание речи и перевод речи в текст

Мультимодальная модель Google DeepMind для диалога, рассуждений, анализа изображений, программирования и работы с аудио, представленная как веса QAT для собственной компиляции.

Подходит для: ответы на вопросы по изображениям и скриншотам · распознавание текста и разбор PDF-документов · генерация, дополнение и исправление кода

Мультимодальная модель NVIDIA для анализа текста, изображений, аудио и видео, включая транскрибацию, OCR, суммаризацию и корпоративную обработку документов.

Подходит для: транскрибация речи в аудио и видеозаписях · поиск и суммаризация видео и речевого содержимого · извлечение текста и ответов из сканов и деловых документов

Мультимодальная инструктивная модель Google DeepMind Gemma 4 E2B для диалогов, рассуждений, программирования и анализа текста, изображений и аудио с текстовой выдачей.

Подходит для: ответы на вопросы по изображениям и документам · распознавание речи и перевод речи в текст · генерация и исправление программного кода

Мультимодальная модель OpenBMB для анализа изображений, аудио и видео, а также для двустороннего голосового диалога в реальном времени.

Подходит для: ответы на вопросы по изображениям и видеозаписям · распознавание текста и разбор документов на изображениях · голосовой диалог на английском и китайском языках

Мультимодальная модель Google DeepMind для диалогов, рассуждений, кода и анализа текста, изображений и аудио с генерацией текстовых ответов.

Подходит для: ответы на вопросы по изображениям и скриншотам · распознавание текста и извлечение данных из документов · транскрибирование аудиозаписей

Ming-Lite-Omni v1.5 — мультимодальная модель для понимания изображений, документов, видео и речи, а также синтеза речи и генерации изображений.

Подходит для: ответы на вопросы по содержимому изображений · извлечение и понимание текста в документах и диаграммах · анализ событий в видео

Ming-flash-omni 2.0 — мультимодальная MoE-модель для анализа изображений, видео и аудио, а также генерации текста, изображений и звука.

Подходит для: ответы на вопросы о содержимом изображений и визуальных объектах · диалог по потоковому видео · распознавание речи и аудио, включая диалектную речь

Слитая модель семейства Qwen3 Omni MoE для задач any-to-any с кодовой instruct-моделью в составе.

Подходит для: генерация и объяснение кода в диалоге · выполнение задач any-to-any с поддерживаемыми моделью модальностями · локальный запуск модели через совместимый формат GGUF

Компактная мультимодальная модель Qwen для диалога с текстом, изображениями, аудио и видео с генерацией текстовых и речевых ответов.

Подходит для: голосовой чат с потоковыми ответами · распознавание речи и выполнение голосовых инструкций · ответы на вопросы по изображениям

MiniCPM-o 2.6 — компактная мультимодальная модель OpenBMB для анализа изображений, аудио и видео, распознавания речи и голосового общения в реальном времени.

Подходит для: распознавание речи и транскрибирование аудиозаписей · перевод речи между английским и китайским · извлечение текста из изображений и документов с помощью OCR

Gemma 4 12B Unified — мультимодальная модель Google DeepMind для диалогов, кода, рассуждений и анализа текста, изображений, видео и аудио.

Подходит для: транскрибация аудиозаписей · перевод речи в текст · извлечение текста и данных из документов и PDF

Производная модели inclusionAI/Ming-flash-omni-2.0. Ming-flash-omni 2.0 — мультимодальная MoE-модель для анализа изображений, видео и аудио, а также генерации текста, изображений и звука.

Подходит для: ответы на вопросы по содержимому изображений · обсуждение видеопотока в диалоге · распознавание речи и диалектов

Dynin-Omni — мультимодальная модель masked diffusion для рассуждений, понимания и генерации текста, изображений, видео и речи.

Подходит для: ответы в диалоге и решение задач на рассуждение · описание содержимого изображений и видео · генерация изображений по текстовому запросу

Мультимодальная модель Qwen3-Omni с рассуждением, которая анализирует текст, изображения, аудио и видео и формирует текстовые ответы.

Подходит для: ответы на вопросы по изображениям · анализ видеозаписей и видеовопросы · распознавание и понимание речи

Копия Qwen3-Omni — мультимодальная модель для диалогов с текстом, изображениями, аудио и видео, способная отвечать текстом и речью.

Подходит для: ответы на вопросы по изображениям · диалоги по аудиозаписям · понимание видеоматериалов с вопросами и ответами

Англоязычная диалоговая языковая модель Ai2 с 6,9 млрд параметров для выполнения инструкций, математических и общих задач.

Подходит для: ответы на вопросы на английском языке · диалоговый помощник для общих запросов · решение математических задач