OmniGen2 — мультимодальная модель для понимания изображений, генерации картинок по тексту, редактирования и генерации с визуальными примерами.
Подходит для: создание изображения по текстовому описанию · редактирование изображения по текстовой инструкции · ответы на вопросы о содержимом изображения
OmniGen2 — мультимодальная модель BAAI для понимания изображений, генерации изображений по тексту и редактирования по инструкциям.
Подходит для: создание изображений по текстовому описанию · редактирование изображения по текстовой инструкции · описание и анализ содержимого изображения
Производная модели OmniGen2/OmniGen2. OmniGen2 — мультимодальная модель для понимания изображений, генерации картинок по тексту, редактирования и генерации с визуальными примерами.
Подходит для: создание изображения по текстовому описанию · редактирование изображения по текстовой инструкции · ответы на вопросы о содержимом изображения
Производная модели OmniGen2/OmniGen2. OmniGen2 — мультимодальная модель для понимания изображений, генерации картинок по тексту, редактирования и генерации с визуальными примерами.
Подходит для: создание изображения по текстовому описанию · редактирование изображения по текстовой инструкции · ответы на вопросы о содержимом изображения
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
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
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
Экспериментальная мультимодальная донастройка Gemma 4, в которой ослаблены отказы для диалогов и генерации ответов.
Подходит для: диалог с ослабленными отказами модели · генерация ответов на спорные запросы · анализ изображений с формированием текстового ответа
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-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
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
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
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
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
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
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