Дообученная на Google PAWS модель T5 для генерации перефразировок английских предложений.

Подходит для: перефразирование английских предложений · создание альтернативных формулировок текста · подготовка вариантов предложений для редактирования

Мультимодальная модель Z.ai для диалогов, анализа изображений, программирования и агентных задач.

Подходит для: ответы на вопросы по изображениям · описание и анализ визуальных материалов · помощь с программированием

SAM ViT-B выделяет объекты на изображениях по точкам, рамкам или маскам и автоматически генерирует маски сегментации.

Подходит для: интерактивное выделение объекта по точкам на изображении · сегментация объекта по ограничивающей рамке · автоматическая генерация масок объектов на изображении

Мультимодальная VLA-модель NVIDIA для рассуждений о дорожной обстановке и прогнозирования траектории автомобиля в сценариях автономного вождения.

Подходит для: прогнозирование траектории автомобиля по данным камер и истории движения · объяснение решений системы автономного вождения · ответы на вопросы о дорожной сцене

Зрительная модель Apple AIMv2 с 308,3 млн параметров для извлечения признаков изображений и задач визуального понимания.

Подходит для: извлечение признаков изображений для последующего анализа · поиск похожих изображений по визуальным признакам · визуальное понимание изображений в мультимодальных системах

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

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

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

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

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

Мультимодальная модель Moonshot AI для диалогов, визуального анализа и рассуждений по изображениям и видео.

Подходит для: ответы на вопросы по изображению · решение математических задач по визуальным данным · анализ и понимание видеоматериалов

VAMOS — дообученная на робототехнических данных мультимодальная модель PaliGemma для задач, связывающих изображения, текст и робототехнику.

Подходит для: интерпретация изображений в робототехнических сценариях · ответы на текстовые запросы о визуальной сцене для робота · использование мультимодальной модели как компонента робототехнической системы

Мультимодальная модель OpenGVLab на 78 млрд параметров для диалога, анализа изображений и видео и визуального рассуждения.

Подходит для: ответы на вопросы по изображениям и видео · описание и сравнение нескольких изображений · анализ научных диаграмм и промышленных изображений

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

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

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 модель Kwai-Keye на базе Qwen2.5-VL для анализа изображений высокого разрешения и сложных визуальных задач с использованием исполняемого кода.

Подходит для: анализ изображений высокого разрешения по текстовым инструкциям · решение сложных задач визуального рассуждения · выполнение вычислений при анализе изображений

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

Дообученная мультимодальная Gemma 4 для разговоров в заданной персоне и ответов на вопросы о пользователе с использованием внешней системы памяти.

Подходит для: ответы на вопросы о пользователе по найденным воспоминаниям · диалог с виртуальным компаньоном в заданной персоне · проверка калибровки ответов и отказов по персональным сведениям

Крупная видеомодель VideoMAE V2 для извлечения признаков и классификации видеоматериалов.

Подходит для: извлечение признаков из видеороликов · классификация видеосодержимого · подготовка признаков видео для последующего анализа

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

VideoMAEv2-Huge — самоконтролируемая видеомодель для извлечения признаков и классификации видео.

Подходит для: извлечение признаков из видеороликов · классификация видеоклипов · подготовка видеоэмбеддингов для последующего анализа

Virtuoso-Small — дообученная 14-миллиардная языковая модель Arcee.ai для следования инструкциям, рассуждений и бизнес-задач.

Подходит для: ответы на обращения клиентов · создание и редактирование делового контента · техническая помощь пользователям и разработчикам

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