Компактная vision-language-модель PanocularAI для диалогов и генерации текстовых ответов по изображениям.

Подходит для: ответы на вопросы об изображении · создание текстового описания изображения · диалог с изображением

Мультимодальная модель Z.ai для диалогов, анализа изображений, программирования и агентных задач.

Подходит для: ответы на вопросы по изображениям · описание и анализ визуальных материалов · помощь с программированием

Компактная модель ByteDance для оценки глубины, геометрии сцены и поз камер по одному или нескольким изображениям.

Подходит для: оценка относительной глубины по одному изображению · восстановление геометрии сцены по нескольким ракурсам · оценка поз камер для набора изображений

Компактная модель ByteDance для оценки глубины по изображениям и восстановления позы камеры в многовидовых сценах.

Подходит для: оценка относительной глубины по одиночному изображению · оценка глубины по нескольким ракурсам сцены · оценка позы камеры по изображениям

Компактная модель Depth Anything V2 оценивает относительную глубину объектов по одному изображению.

Подходит для: построение карты относительной глубины по фотографии · оценка глубины сцены для компьютерного зрения · анализ расположения объектов в кадре

Модель компьютерного зрения ByteDance для оценки глубины сцены и позы камеры по изображениям.

Подходит для: оценка относительной глубины по одному изображению · восстановление глубины по нескольким видам сцены · оценка позы камеры по изображениям

JoyAI-Image-Edit — модель JD Open Source для управляемого редактирования изображений по текстовым инструкциям, включая перемещение и поворот объектов и изменение ракурса камеры.

Подходит для: перемещение объекта в заданную область изображения · поворот выбранного объекта в заданном направлении · изменение ракурса камеры с настройкой поворота и наклона

Модель EoMT-DINOv3 на базе ViT-B/16 для паноптической сегментации изображений COCO размером 640×640.

Подходит для: паноптическая сегментация изображений COCO · выделение объектов и областей фона на изображении · сегментация сцен для задач компьютерного зрения

Спутниковая Vision Transformer-модель Meta AI для извлечения признаков изображений и построения решений компьютерного зрения.

Подходит для: поиск похожих спутниковых снимков · классификация спутниковых изображений по визуальным признакам · сегментация объектов и поверхностей на спутниковых снимках

Мультимодальная модель Ai2 для понимания сцен, пространственных отношений, нескольких изображений и временной последовательности в видео.

Подходит для: Ответы на вопросы о содержимом изображения · Определение точного положения объекта на изображении · Сопоставление объектов и сцен на нескольких изображениях

Мультимодальная модель TaichuAI на 9 млрд параметров для понимания изображений и видео, пространственных рассуждений и многошаговых агентных задач.

Подходит для: ответы на вопросы по изображениям, документам и графикам · распознавание и интерпретация текста на изображениях · анализ событий и поиск деталей в видеозаписях

Depth Anything V2 Large оценивает относительную глубину объектов по одному изображению для задач компьютерного зрения.

Подходит для: построение карты относительной глубины по фотографии · оценка расстояний и структуры сцены на изображении · добавление глубины в конвейер обработки изображений

Модель NVIDIA для восприятия дорожной обстановки, объяснения решений и предсказания действий и траекторий автономного автомобиля по изображениям, видео, тексту и истории движения.

Подходит для: предсказание траектории автономного автомобиля · ответы на вопросы по видео с дорожных камер · привязка объектов на изображениях к координатам

Модель Alibaba PAI создаёт видео из изображения и текстового запроса, позволяя задавать движение и структуру сцены через контуры, глубину, позу, траектории и другие условия.

Подходит для: создание управляемого видеоклипа по исходному изображению · анимация персонажа с контролем позы · генерация видео по карте глубины или контурам Canny

DETR с backbone ResNet-50 для паноптической сегментации и обнаружения объектов на изображениях.

Подходит для: паноптическая сегментация изображений · обнаружение объектов и определение их классов · построение масок объектов на фотографиях

Мультимодальный агент inclusionAI на базе Qwen3.5-9B для выполнения задач в мобильных, веб- и настольных графических интерфейсах.

Подходит для: выполнение пошаговых задач в мобильных приложениях · навигация по сайтам и заполнение веб-форм · управление настольными приложениями через интерфейс ОС

Модель Mask2Former с базовым Swin-бэкбоном для паноптической сегментации изображений, обученная на COCO.

Подходит для: паноптическая сегментация сцен на изображениях · выделение объектов и присвоение им классов · разметка областей фона и предметов на фотографиях

Дообученная мультимодальная модель Qwen3-VL-2B для пространственного понимания изображений и видео, локализации объектов и ответов на вопросы о сценах.

Подходит для: ответы на вопросы о сценах от первого лица · подсчёт объектов на изображениях и в видео · распознавание текста в видеосценах

LoRA на базе Qwen Image для генерации панорам 360° в эквидистантной проекции и обычных изображений по текстовому описанию.

Подходит для: создание панорам 360° по текстовому описанию · генерация skybox для игровых и виртуальных сцен · создание панорамных фонов для VR и 3D-миров

Janus-Pro-7B — мультимодальная модель DeepSeek для понимания изображений и генерации изображений по тексту.

Подходит для: ответы на вопросы о содержимом изображения · описание изображений в диалоге · генерация изображения по текстовому запросу

Janus-Pro-1B — мультимодальная модель для понимания изображений и генерации изображений по тексту.

Подходит для: ответы на вопросы по содержимому изображения · описание и интерпретация изображений · генерация изображений по текстовому запросу

Мультимодальная модель Meta для локальных агентных задач, понимания изображений и ускоренной генерации текста с помощью DFlash.

Подходит для: ответы на вопросы по изображениям и снимкам экрана · анализ диаграмм и визуальных документов · локальный агент с многошаговым планированием и вызовом инструментов

Мультимодальная чат-модель StepFun на 10 млрд параметров для анализа изображений, OCR и визуальных рассуждений.

Подходит для: ответы на вопросы по изображениям и скриншотам · распознавание текста в документах и на экране · решение математических и STEM-задач по изображениям

Дообученная UkisAI модель Qwen для экономичного рассуждения, программирования и многошаговых агентных задач с поддержкой изображений.

Подходит для: решение задач программирования с агентом · выполнение многошаговых задач в терминале · разработка и отладка программного обеспечения