CLIP-модель ViT для классификации изображений по текстовым меткам без дообучения и поиска по сходству между изображениями и текстом.
Подходит для: классификация изображений по пользовательским текстовым меткам · поиск изображений по текстовому запросу · поиск описаний, соответствующих изображению
CLIP ViT-L/14 от LAION сопоставляет изображения и текст для классификации без дообучения и мультимодального поиска.
Подходит для: классификация изображений по текстовым меткам без дообучения · поиск изображений по текстовому запросу · поиск текстовых описаний, соответствующих изображению
CLIP ViT-B/16 от LAION сопоставляет изображения с текстовыми описаниями для классификации и поиска без дообучения.
Подходит для: классификация изображений по текстовым меткам без дообучения · поиск изображений по текстовому запросу · поиск описаний, соответствующих изображению
Модель LAION на базе CoCa описывает изображения текстом и поддерживает классификацию по текстовым меткам без дообучения.
Подходит для: создание подписей к изображениям · генерация краткого описания фотографии · классификация изображений по текстовым категориям без дообучения
Мультимодальная CLIP-модель LAION для классификации изображений по текстовым описаниям и поиска соответствий между изображениями и текстом.
Подходит для: классификация изображений по текстовым меткам без дообучения · поиск изображений по текстовому запросу · поиск описаний, соответствующих изображению
Производная модели tencent/Hunyuan3D-2.1. Модель Tencent преобразует изображения в 3D-объекты для создания цифровых ассетов.
Подходит для: создание 3D-модели объекта по изображению · подготовка 3D-ассетов для графики и визуализации · преобразование референсных изображений в трёхмерные объекты
OpenCLIP ViT-L/14 от LAION для сопоставления изображений с текстом и классификации изображений по произвольным текстовым меткам.
Подходит для: классификация изображений по заданным текстовым категориям · поиск изображений по текстовому описанию · сопоставление изображения с подписью
Мультимодальная модель на базе GLM-5.3-Flash для диалога по тексту и изображениям, длинного контекста и ответов с уменьшенным числом отказов.
Подходит для: ответы на вопросы по длинным документам · анализ изображений в диалоге · обсуждение больших кодовых баз
VipLLaVA 13B — мультимодальная чат-модель для ответов на вопросы и выполнения инструкций по изображениям.
Подходит для: ответы на вопросы о содержимом изображения · описание объектов и сцен на изображении · уточнение деталей, отмеченных рамкой или стрелкой
pytorch: формат, квантизация, runtime и память принадлежат одному artifact
safetensors: формат, квантизация, runtime и память принадлежат одному artifact
Мультимодальная чат-модель OpenGVLab, которая анализирует изображения и отвечает на вопросы о них текстом.
Подходит для: ответы на вопросы по изображениям · диалог с пользователем о содержимом изображения · описание визуальных сцен
gguf: формат, квантизация, runtime и память принадлежат одному artifact
VILA-13B — визуально-языковая модель для ответов на вопросы и рассуждений по одному или нескольким изображениям вместе с текстом.
Подходит для: ответы на вопросы по изображению · сравнение и анализ нескольких изображений · визуальные рассуждения с пошаговым объяснением
pytorch: формат, квантизация, runtime и память принадлежат одному artifact
Компактный Vision Transformer с 4,24 млн параметров для классификации изображений ImageNet-1K и экспериментов с лёгкими визуальными моделями.
Подходит для: классификация изображений на 1000 классов ImageNet · классификация естественных изображений на устройствах с ограниченными ресурсами · перенос компактного визуального энкодера на прикладные наборы данных
safetensors: формат, квантизация, runtime и память принадлежат одному artifact