VITA-1.5 — мультимодальная диалоговая модель для взаимодействия с видео и речевыми данными в реальном времени.

Подходит для: ответы на вопросы по видео · диалог по визуальным данным · анализ видеосцен в ходе общения

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

Конфигурация TranslateGemma 12B IT от Infomaniak AI для перевода текста и текста на изображениях с совместимостью с vLLM.

Подходит для: перевод текста между поддерживаемыми языками · перевод надписей и фрагментов текста на изображениях · локальный запуск сервиса машинного перевода

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

ViT-Large — крупная модель для классификации изображений и извлечения визуальных признаков, обученная на ImageNet-21k и дообученная на ImageNet-1k.

Подходит для: Классификация изображений по классам ImageNet-1k · Извлечение эмбеддингов изображений для поиска похожих объектов · Использование визуального backbone в задачах компьютерного зрения

Компактная дообученная модель семейства LLaMA для генерации текста и ускорения вывода крупных LLaMA- и Vicuna-моделей в режиме спекулятивного декодирования.

Подходит для: черновая генерация токенов для спекулятивного декодирования · ускорение вывода моделей LLaMA-13B и LLaMA-33B · ускорение вывода моделей Vicuna-13B и Vicuna-33B

Мультимодальная чат-модель на 34 млрд параметров, которая отвечает на вопросы об изображениях и выполняет визуальные инструкции.

Подходит для: ответы на вопросы о содержимом изображения · описание и подпись к изображению · диалог с изображениями

Базовая мультимодальная модель Z.ai для исследований и дальнейшей разработки систем, работающих с изображениями и текстом.

Подходит для: исследование визуально-языковых моделей · разработка приложений для вопросов и ответов по изображениям · создание мультимодальных диалоговых систем

Базовая мультимодальная модель Qwen3.5 с 9 млрд параметров для дообучения и экспериментов с пониманием изображений и генерацией текста.

Подходит для: дообучение мультимодального чат-ассистента · эксперименты с пониманием изображений · генерация текста по текстовым и визуальным входам

Пакет слоёв GGUF модели Kimi-K3 для распределённого локального чат-инференса с поддержкой изображений через Mesh LLM.

Подходит для: локальный запуск чат-бота на нескольких машинах · ответы на вопросы по тексту и изображениям · обслуживание запросов через совместимый с OpenAI API

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

Подходит для: классификация изображений по категориям ImageNet · извлечение эмбеддингов изображений для поиска похожих объектов · получение визуальных признаков для последующих задач компьютерного зрения

Мультимодальная модель InternLM на базе Qwen3.5-0.8B, которая за один проход оценивает вероятности структурированных вариантов ответа, включая решения по изображениям.

Подходит для: выбор наиболее подходящего варианта по заданным критериям · оценка объектов или вариантов по шкале · бинарная классификация «да/нет» по состоянию и вопросу

Модифицированная Gemma 3 12B IT для диалогов, понимания изображений и ответов с пониженной частотой отказов.

Подходит для: диалоговые ответы на текстовые запросы · понимание изображений по текстовым инструкциям · исследование поведения языковых моделей при отказах

Экспериментальный LoRA-адаптер Gemma 4 E2B IT для диалогов в роли компаньона с использованием извлечённых воспоминаний и воспроизведения ранних результатов проекта.

Подходит для: Воспроизведение результатов раннего этапа SFT-проекта · Диалоговые ответы в заданной персоне · Персонализация диалога с помощью извлечённых воспоминаний

ViT-модель Alibaba MIIL для классификации изображений и извлечения визуальных признаков.

Подходит для: классификация объектов на изображениях · извлечение признаковых представлений изображений · использование визуального backbone в компьютерном зрении

OpenVLA-OFT — зрительно-языковая модель управления роботом, дообученная для манипуляционных задач LIBERO-Object.

Подходит для: предсказание действий робота по изображению сцены и текстовой инструкции · манипуляция объектами в задачах LIBERO-Object · генерация последовательности действий робота для симуляции

Дообученная Unsloth текстовая версия Gemma 3n для диалога и генерации ответов с контекстом до 32 тыс. токенов.

Подходит для: диалоговый помощник на английском языке · ответы на вопросы по предоставленному тексту · генерация текстовых ответов

Мультимодальная модель INSAIT на базе Gemma 3 для диалогов, следования инструкциям и понимания изображений, с адаптацией для украинского языка.

Подходит для: ответы на вопросы об изображениях на украинском языке · многоходовые диалоги на украинском языке · выполнение сложных инструкций на украинском языке

Мультимодальная производная Qwen3.8 для рассуждений, программирования и агентных задач с уменьшенным числом отказов, поддержкой изображений и контекстом до 262 144 токенов.

Подходит для: диалоговое решение задач на рассуждение · помощь в программировании · анализ изображений в диалоге

LLaDA-V — диффузионная мультимодальная модель на 7,5 млрд параметров для диалога по изображениям и выполнения визуальных инструкций.

Подходит для: ответы на вопросы о содержимом изображения · описание изображений в текстовом диалоге · выполнение текстовых инструкций, связанных с изображением

Распределённый GGUF-пакет модели inkling для локального чата и задач с изображениями в Mesh LLM.

Подходит для: локальный приватный чат через Mesh LLM · запуск модели на нескольких компьютерах в Mesh LLM-кластере · обслуживание OpenAI-совместимых запросов чата через локальный API

Пакет квантизированной Gemma 4 26B A4B Instruct, разделённый на слои для распределённого локального чата и обработки изображений через Mesh LLM.

Подходит для: локальный приватный чат с языковой моделью · распределённый запуск Gemma на нескольких компьютерах · ответы на вопросы по изображениям

Производная модели XiaomiMiMo/MiMo-VL-7B-RL-2508. Мультимодальная модель Xiaomi на 7 млрд параметров для анализа изображений и видео, визуального рассуждения и ответов на вопросы.

Подходит для: ответы на вопросы о содержимом изображения · описание объектов и сцен на изображениях · анализ и понимание видеороликов

Мультимодальная модель Xiaomi на 7 млрд параметров для анализа изображений и видео, визуального рассуждения и ответов на вопросы.

Подходит для: ответы на вопросы о содержимом изображения · описание объектов и сцен на изображениях · анализ и понимание видеороликов