Компактная визуально-языковая модель на основе Qwen 2.5 0.5B для ответов на текстовые запросы по изображениям и дальнейшего дообучения.

Подходит для: ответы на вопросы о содержимом изображения · описание сцен и объектов для робототехнических систем · подготовка визуально-языковой модели к дообучению

Производная модели StanfordAIMI/XraySigLIP__vit-b-16-siglip-512__webli. Модель SigLIP на базе ViT-B/16 для классификации изображений по текстовым меткам без отдельного обучения на каждом наборе классов.

Подходит для: сопоставление рентгеновских снимков с текстовыми метками · классификация медицинских изображений по описаниям · поиск изображений по текстовым категориям

Промежуточный чекпойнт VLA-Adapter для управления роботом SO-101 при перемещении кубика по визуальной сцене.

Подходит для: управление SO-101 для толкания кубика · предсказание непрерывных действий робота по изображению и инструкции · эксперименты с визуально-языковым управлением манипулятором