StreamFormer — видеомодель на базе TimesFormer для кодирования потокового видео и задач классификации и анализа видеопоследовательностей.

Подходит для: классификация видеоклипов · онлайн-детектирование действий в видеопотоке · онлайн-сегментация объектов в видео

Потоковая модель NVIDIA для определения говорящих и разметки их реплик в аудиозаписях с числом участников до четырёх.

Подходит для: разметка говорящих в телефонных разговорах · определение участников в потоковом аудио · диаризация записей совещаний

Tiny-версия OneFormer с backbone Swin для семантической, экземплярной и паноптической сегментации изображений.

Подходит для: сегментация классов объектов и областей на изображении · выделение отдельных экземпляров объектов · паноптическая сегментация сцены

Потоковая модель NVIDIA для разметки аудиозаписи по говорящим в разговорах с максимум четырьмя участниками.

Подходит для: диаризация речи в онлайн-разговорах · определение говорящих в записях встреч · разметка длинных аудиозаписей по участникам

OneFormer со Swin-бэкбоном, обученная на COCO, выполняет семантическую, экземплярную и паноптическую сегментацию изображений.

Подходит для: сегментация объектов на фотографиях · пиксельная классификация элементов сцены · выделение отдельных экземпляров объектов

Нейросетевой аудиокодек Meta AI для сжатия и восстановления речи, музыки и других звуков в реальном времени.

Подходит для: сжатие речи при низком битрейте · сжатие и передача музыки · восстановление аудио после кодирования

Универсальная модель OneFormer на базе Swin Large для семантической, экземплярной и паноптической сегментации изображений.

Подходит для: семантическая сегментация сцен на изображениях · выделение отдельных объектов и их экземпляров · паноптическая сегментация изображений

Черновая модель Liquid AI для speculative decoding, ускоряющая генерацию LiquidAI/LFM2.5-8B-A1B при использовании совместимого инференс-сервера.

Подходит для: ускорение генерации текста на LFM2.5-8B-A1B через speculative decoding · снижение задержки инференса в SGLang · ускорение генерации на Apple Silicon с Metal

Набор LoRA-адаптеров для ускорения генерации видео моделью MiniMax-H3 за счёт дистилляции параллельного декодирования.

Подходит для: ускоренная генерация видео по текстовому описанию · генерация видео из исходного видео с FL2VA · генерация видео по референсному изображению с Ref2VA

Дискретный токенизатор Boson AI, который кодирует и восстанавливает речь, музыку и звуковые события в компактном представлении с частотой 25 кадров в секунду.

Подходит для: сжатое кодирование аудиозаписей · восстановление речи из дискретных аудиотокенов · кодирование музыки для последующей генерации или анализа

SegFormer B5 от NVIDIA — модель семантической сегментации изображений, дообученная на ADE20K для попиксельного распознавания классов сцен и объектов.

Подходит для: попиксельное распознавание объектов и областей на изображении · сегментация внутренних и городских сцен · разметка сцен на фотографиях для компьютерного зрения

CAFormer-S18 — модель MetaFormer для классификации изображений и извлечения визуальных признаков.

Подходит для: классификация объектов на изображениях · извлечение карт признаков для компьютерного зрения · получение эмбеддингов изображений

STream3R восстанавливает 3D-структуру сцен по последовательностям изображений с помощью потокового причинного Transformer.

Подходит для: потоковая 3D-реконструкция по последовательности кадров · онлайн-регистрация изображений в общей системе координат · восприятие динамических сцен в 3D

SepFormer от SpeechBrain разделяет смешанную речь на отдельные аудиопотоки и обучена на WSJ0-2Mix.

Подходит для: разделение двух голосов в смешанной записи · выделение речи одного собеседника из одновременного разговора · подготовка речевых дорожек для последующего распознавания

Крупная модель OneFormer с backbone Dinat для семантической, экземплярной и паноптической сегментации изображений ADE20k.

Подходит для: Сегментация классов объектов и областей на изображении · Выделение отдельных экземпляров объектов на сцене · Паноптическая сегментация городской или интерьерной сцены

CAFormer-S18 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, обученная на ImageNet-22k и дообученная на ImageNet-1k.

Подходит для: классификация объектов на изображениях · распознавание категорий ImageNet-1k · извлечение признаков из изображений

PoolFormer-S12 — модель классификации изображений на 1 000 классов ImageNet, использующая pooling вместо внимания.

Подходит для: Классификация изображений по классам ImageNet · Определение объекта на фотографии · Создание базового классификатора для экспериментов с компьютерным зрением

ConvFormer S18 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet · извлечение карт признаков для компьютерного зрения · получение эмбеддингов изображений для поиска и сравнения

Компактный трансформер для zero-shot прогнозирования одного или нескольких временных рядов с учётом доступных ковариат.

Подходит для: прогнозирование спроса по истории продаж и календарным факторам · прогнозирование трафика по прошлым значениям и погоде · прогнозирование нескольких взаимосвязанных временных рядов

SepFormer от SpeechBrain разделяет монофоническую запись с двумя говорящими на отдельные речевые аудиосигналы.

Подходит для: разделение речи двух одновременно говорящих людей · выделение отдельных голосов из смешанной записи · подготовка речевых дорожек для последующей транскрибации

Компактный мультимодальный драфтер Gemma 4 для ускорения генерации текста методом спекулятивного декодирования.

Подходит для: ускорение генерации текста в конвейере speculative decoding · снижение задержки генерации на локальных устройствах · предсказание нескольких следующих токенов для проверки целевой моделью

Англоязычная Nyströmformer на 136,3 млн параметров для предсказания замаскированных токенов в последовательностях длиной до 512 токенов.

Подходит для: восстановление пропущенных слов в английском тексте · контекстное предсказание слов при анализе текста · эксперименты с эффективным механизмом внимания Nyströmformer

PoolFormer M36 — модель для классификации изображений ImageNet-1k и извлечения визуальных признаков и эмбеддингов.

Подходит для: классификация изображений по классам ImageNet-1k · извлечение карт признаков изображения · получение эмбеддингов изображений

Нейросетевой аудиокодек Meta AI для сжатия и восстановления речи, музыки и других аудиосигналов с низким битрейтом.

Подходит для: сжатие речи для потоковой передачи · сжатие музыки с низким битрейтом · восстановление аудио после сжатия