Базовый Vision Transformer, извлекающий признаки из изображений для классификации и других задач компьютерного зрения.

Подходит для: извлечение признаков из изображений для классификатора · обучение классификатора изображений на собственной размеченной выборке · получение векторного представления изображения для последующей обработки

Модель Unsloth на архитектуре Llama для извлечения признаков из текста.

Подходит для: получение векторных представлений текста · подготовка признаков для последующей обработки текста · извлечение признаков через Transformers

Предобученная ConvBERT-модель YITU Technology для извлечения векторных признаков из текста.

Подходит для: получение векторных представлений текста для NLP-пайплайна · подготовка признаков текста для последующего классификатора · кодирование текста для семантического поиска

Самообученный ViT-энкодер DINOv2 на 1,5 млрд параметров для извлечения признаков и представлений изображений.

Подходит для: извлечение признаков из изображений · получение векторных представлений изображений для поиска · подготовка признаков для классификатора изображений

ViT-модель timm для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet-1k · извлечение признаков из изображений · получение эмбеддингов изображений для поиска по сходству

PyTorch-порт VideoPrism LVT Base для извлечения признаков и векторных представлений из видео.

Подходит для: извлечение признаков из видеоклипов · получение векторных представлений видео для поиска · подготовка видеоданных для последующей классификации

ViViT — видеомодель с 113,2 млн параметров для классификации действий в роликах и дообучения на другие задачи видеоанализа.

Подходит для: распознавание действий в видеороликах · классификация видео по категориям Kinetics-400 · дообучение классификатора для пользовательских категорий видео

Компактная мультимодальная модель для создания сопоставимых векторов текста, изображений, речи и окружающих звуков, применимых в поиске, маршрутизации и кластеризации.

Подходит для: поиск текстового описания по изображению · поиск аудиозаписей по текстовому запросу · мультимодальный поиск по тексту, изображениям и звуку

Модель BEiT-v2 на базе Vision Transformer классифицирует изображения и извлекает их векторные признаки.

Подходит для: классификация изображений по категориям · извлечение признаков изображений для поиска по сходству · создание визуального бэкбона для системы компьютерного зрения

Компактная трёхслойная модель MiniLM для извлечения векторных представлений текста.

Подходит для: получение эмбеддингов текстов · подготовка признаков для семантического поиска · представление текста для последующей классификации

Компактная Model2Vec-модель создаёт 768-мерные текстовые эмбеддинги для семантического поиска и сравнения предложений.

Подходит для: семантический поиск по коллекции документов · поиск релевантных фрагментов для RAG · сравнение сходства предложений

Зрительная модель Apple AIMv2 для извлечения векторных признаков изображений и их использования в задачах визуального поиска и сопоставления.

Подходит для: извлечение признаков изображений для поиска по визуальному сходству · построение векторного индекса изображений · сопоставление изображений с текстовыми представлениями в мультимодальной системе

Свёрточная VGG19, обученная на ImageNet-1k, для классификации изображений и извлечения визуальных признаков.

Подходит для: Классификация изображений по категориям ImageNet-1k · Извлечение карт признаков из изображений · Получение эмбеддингов изображений для последующего анализа

ViT — модель для классификации изображений и извлечения признаков, обученная на ImageNet-21k.

Подходит для: классификация объектов на изображениях · извлечение признаков изображения для последующей обработки · получение эмбеддингов изображений

Предварительно обученная вьетнамская модель BART со слоговой токенизацией для генеративных задач, включая суммаризацию текста.

Подходит для: суммаризация вьетнамских текстов · генерация текста на вьетнамском языке · дообучение модели для задач обработки вьетнамского языка

Модель Unsloth AI семейства Llama для извлечения признаков и получения представлений текста.

Подходит для: получение признаковых представлений текста · извлечение векторов для поиска по сходству · подготовка текстовых признаков для downstream-моделей

Мультимодальная модель Tencent на базе Qwen3.5-2B, создающая эмбеддинги текста, изображений, видео и визуальных документов для поиска и сопоставления.

Подходит для: поиск изображений по текстовому запросу · поиск видео по описанию · сопоставление текста и визуальных документов

Компактная модель TinyViT для классификации изображений и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet-1k · извлечение карт признаков для компьютерного зрения · получение векторных представлений изображений

Vision Transformer из экосистемы timm для извлечения признаков и векторных представлений изображений с входным разрешением 512 пикселей.

Подходит для: поиск визуально похожих изображений · индексация изображений для векторной базы данных · кластеризация коллекций изображений

ConvNeXt Small, предварительно обученная методом DINOv3 модель timm для извлечения признаков и эмбеддингов изображений.

Подходит для: извлечение векторных признаков из изображений · получение эмбеддингов изображений для поиска по сходству · подготовка признаков для классификатора изображений

Mage-VL — мультимодальная модель Microsoft на базе визуального кодировщика Mage-ViT и Qwen3-4B для понимания изображений, видео и потоковых событий.

Подходит для: ответы на вопросы по изображениям · ответы на вопросы по видеозаписям · поиск и временная локализация событий в видео

Самоконтролируемая wav2vec2-модель, предварительно обученная на вьетнамской речи и предназначенная как акустическая основа для распознавания речи.

Подходит для: распознавание вьетнамской речи в аудиозаписях · адаптация акустической модели для вьетнамского ASR · транскрибирование вьетнамских разговоров

Дообученная модель X-Codec на базе HuBERT для извлечения признаков общего аудио и работы с кодированием на разных битрейтах.

Подходит для: извлечение признаков из общего аудио · кодирование аудиосигнала на низком битрейте · сравнение аудиокодирования при разных битрейтах

GroupViT — vision-language модель для zero-shot семантической сегментации изображений по текстовым названиям категорий.

Подходит для: Сегментация объектов на изображении по категориям, заданным текстом · Поиск областей изображения, соответствующих произвольным словесным меткам · Исследование zero-shot сегментации без пиксельной разметки