Мультимодальная модель UCSC-VLAA на базе Qwen2-VL для рассуждений по изображениям и ответов на вопросы с учётом визуального контекста.
Подходит для: ответы на вопросы по изображениям · решение задач по графикам и диаграммам · математические задачи с визуальными данными
Контрастивная CLIP-модель UCSC-VLAA сопоставляет изображения с текстом и классифицирует изображения по текстовым меткам без дообучения.
Подходит для: классификация изображений по пользовательским категориям без обучения · поиск изображений по текстовому запросу · сопоставление изображения с несколькими описаниями или метками
Открытый визуальный энкодер OpenVision для извлечения признаков изображений и применения в мультимодальных системах.
Подходит для: извлечение признаков из изображений для мультимодальной системы · подготовка представлений изображений для последующей обработки · классификация изображений по текстовым меткам без дообучения
Модель зрения и языка на базе Qwen2.5-VL для анализа изображений по текстовым запросам и генерации ответов.
Подходит для: ответы на вопросы об изображении · анализ изображения по текстовой инструкции · описание содержимого изображения
Визуально-языковая модель на базе Qwen2.5-VL для ответов с рассуждениями на вопросы по изображениям, графикам и документам.
Подходит для: решение математических задач по изображениям и диаграммам · ответы на вопросы по научным графикам и иллюстрациям · извлечение ответов из изображений документов
SpatialVLA — дообученная зрительно-языковая модель для управления роботами по изображениям и текстовым инструкциям в знакомых ей сценариях.
Подходит для: управление роботом по изображению и текстовой команде · выполнение манипуляционных задач на роботах из обучающих сценариев · оценка политики управления роботом в симуляторе
Компактная визуально-языковая модель VLAA на базе Qwen2VL для диалоговых запросов и генерации ответов по изображениям.
Подходит для: ответы на вопросы об изображении · описание содержимого изображения · диалог с изображением
Языковая модель Qwen2 на 7,1 млрд параметров для диалогов, генерации текста и ответов на вопросы с контекстом до 32 768 токенов.
Подходит для: ответы на вопросы в диалоге · генерация текста по запросу · создание чат-бота с вызовом инструментов
Медицинская мультимодальная модель на базе Qwen2.5-VL-3B-Instruct для анализа изображений и ответов на вопросы по ним.
Подходит для: ответы на вопросы по медицинским изображениям · визуальный анализ медицинских снимков по текстовому запросу · диалоговое исследование медицинских изображений
InternVLA-M1 — дообученная мультимодальная VLA-модель для разработки универсальных роботизированных политик по визуальным наблюдениям и языковым инструкциям.
Подходит для: управление роботом по визуальному наблюдению и текстовой инструкции · разработка универсальной роботизированной политики · исследование моделей vision-language-action
Медицинская vision-language модель на базе Qwen2.5-VL для ответов на текстовые вопросы по изображениям.
Подходит для: ответы на вопросы по медицинским изображениям · исследовательский анализ изображений из биомедицинских публикаций · создание прототипа медицинского визуального помощника
MedReason-8B — дообученная медицинская языковая модель для ответов на клинические вопросы с пошаговым рассуждением.
Подходит для: ответы на вопросы по медицинским знаниям · разбор клинических вопросов с пошаговым объяснением · помощь в подготовке к медицинским экзаменам
Мультимодальная модель на базе Qwen2.5-VL для анализа медицинских изображений и ответов на вопросы по ним.
Подходит для: ответы на вопросы по медицинским изображениям · визуальный анализ медицинских материалов · диалог по изображению с медицинским содержанием
Контрастивная модель CLIP с архитектурой ViT-L-14 для классификации изображений по текстовым меткам без дообучения.
Подходит для: классификация изображений по пользовательскому списку категорий · поиск изображений по текстовому описанию · сопоставление изображения с набором текстовых вариантов
Дообученная UCSC-VLAA модель на базе DeepSeek-R1-Distill-Qwen-8B для генерации диалоговых ответов с усиленным выравниванием по требованиям безопасности.
Подходит для: создание безопасных ответов в диалоговом ассистенте · проверка поведения рассуждающей модели на запросах, связанных с безопасностью · прототипирование чат-ботов с политиками безопасного ответа
Медицинская vision-language модель на 32 млрд параметров для ответов на текстовые вопросы по изображениям.
Подходит для: ответы на вопросы по медицинским изображениям · описание содержимого медицинских изображений · анализ медицинских изображений по текстовому запросу
Delta-веса LLaVA на 6,6 млрд параметров, предназначенные для восстановления мультимодального чат-бота LLaMA/Vicuna для диалога об изображениях.
Подходит для: ответы на вопросы о содержимом изображений · подробное описание изображений в диалоге · визуальные рассуждения по изображению
Визуальный энкодер OpenVision на базе ViT-Small для извлечения признаков изображений и классификации по текстовым описаниям без дообучения.
Подходит для: извлечение признаков изображений для последующего поиска · поиск изображений по текстовому запросу · классификация изображений по текстовым меткам без дообучения
Диалоговая модель на базе DeepSeek-R1-Distill-Qwen-7B, дообученная на STAR-1 для повышения безопасности ответов при сохранении многошаговых рассуждений.
Подходит для: диалоговые ответы с учётом требований безопасности · проверка поведения языковой модели на небезопасных запросах · генерация ответов с многошаговыми рассуждениями
OpenVision2 L/14 @224 — модель, которая генерирует подробные текстовые описания изображений.
Подходит для: создание подробных подписей к изображениям · генерация многофразового описания фотографии · автоматическое описание визуальных материалов для каталога
Контрастивная модель CLIP для классификации изображений по текстовым меткам без дополнительного обучения.
Подходит для: классификация изображений по заданным текстовым категориям · поиск изображений по описанию сцены или объекта · быстрая разметка изображений пользовательским набором классов
SimpleMemVLA — модель управления роботом, которая использует визуально-языковую историю в формате видео с временными метками для предсказания действий.
Подходит для: управление роботом по языковой инструкции и визуальному наблюдению · предсказание действий робота с учётом последовательности предыдущих кадров · оценка систем роботизированного управления на LIBERO
SpaceOm — дообученная визуально-языковая модель для пространственных вопросов по изображениям, включая расположение объектов, их движение и примерные расстояния.
Подходит для: ответы на вопросы о расположении объектов на изображении · определение взаимного положения и свойств предметов · подсчёт объектов в сцене
Контрастивная CLIPA-v2 модель для классификации изображений по текстовым меткам без дополнительного обучения.
Подходит для: классификация изображений по списку пользовательских категорий · поиск подходящей подписи к изображению из нескольких вариантов · группировка изображений по текстовым описаниям