V-JEPA 2 — модель FAIR при Meta для классификации и представления видео и изображений, поиска по видеоданным и использования в качестве видеоэнкодера.
Подходит для: классификация видеороликов по содержанию · поиск видео по визуальному сходству · извлечение представлений из видеоклипов
Мультимодальная модель Kuaishou для анализа видео и изображений, ответов на вопросы и рассуждений с контекстом до 131 072 токенов.
Подходит для: ответы на вопросы о содержании видео · краткий анализ длинных видеозаписей · описание и интерпретация изображений
Video-R1-7B — дообученная мультимодальная модель для рассуждений и ответов на вопросы о видео.
Подходит для: ответы на вопросы о содержимом видео · анализ последовательности событий в видео · описание сцен и действий в видео
Видеоэнкодер V-JEPA 2 от FAIR и Meta для классификации, поиска и получения представлений видео и изображений.
Подходит для: классификация содержимого видео · поиск видео по визуальному сходству · извлечение представлений видео для VLM
Мультимодальная модель для рассуждений по видео и визуальным наблюдениям, прогнозирования событий и высокоуровневого планирования действий роботов.
Подходит для: анализ временной последовательности событий в видео · прогнозирование движения объектов и последствий физических взаимодействий · планирование следующих шагов робота по визуальным наблюдениям
VideoMAE Base — дообученная на Kinetics-400 модель для классификации видео по 400 категориям.
Подходит для: распознавание действий в видеоклипах · классификация видео по категориям Kinetics-400 · автоматическая разметка видеотеки по типам активности
Дообученная Qwen3-VL-8B модель для анализа видео и ответов на вопросы, требующие многошагового рассуждения о событиях в видеоряде.
Подходит для: ответы на вопросы о событиях в видео · поиск причинно-временных связей между событиями в ролике · многошаговое рассуждение по видеоряду
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
Мультимодальная модель для рассуждений по видео и визуальным наблюдениям, прогнозирования событий и высокоуровневого планирования действий роботов.
Подходит для: планирование последовательности действий робота по видео · анализ движения объектов и физических взаимодействий · прогнозирование развития событий в видеосцене
Промежуточная модель Qwen3-VL-8B, дообученная методом GRPO для ответов на вопросы и многошагового рассуждения по видео.
Подходит для: ответы на вопросы о содержании видео · многошаговое рассуждение по событиям в видео · сравнительная оценка моделей видеопонимания
Мультимодальная модель InternVideo3 для диалогового анализа длинных видео, ответов на вопросы и временной привязки событий.
Подходит для: ответы на вопросы о содержании длинных видеозаписей · поиск и временная привязка событий в видео · суммаризация видеозаписей и последовательностей сцен
Мультимодальная модель NVIDIA для рассуждений по изображениям и видео, видеоаналитики и планирования действий роботов.
Подходит для: анализ видеопотоков для поиска событий и причин инцидентов · обнаружение объектов и выдача их координат на изображениях и видео · разметка, фильтрация и дедупликация сенсорных данных для физического ИИ
Аудиовизуальная модель NVIDIA и Университета Мэриленда для вопросов и ответов, описания и временного анализа длинных видео с учётом звука и изображения.
Подходит для: ответы на вопросы по видео с учётом речи и звуков · описание событий в длинных видеозаписях · определение порядка событий и изменений сцен
Мультимодальная модель Kuaishou на 7,6 млрд параметров для понимания коротких видео, изображений и визуальных вопросов.
Подходит для: ответы на вопросы о событиях в коротком видео · краткое описание содержания ролика · поиск и локализация объектов или действий в видео
Мультимодальная модель NVIDIA на базе NVILA-Lite-8B для вопросов о видео с региональным и временным анализом 3D-сцен.
Подходит для: ответы на вопросы о содержании видео с учётом временных меток · поиск и анализ объектов или областей на видео · оценка понимания 3D-сцен и движения на бенчмарках
Мультимодальная модель на базе Hunyuan-7B для анализа коротких видео, ответов на вопросы и описания событий с временными метками.
Подходит для: ответы на вопросы о содержании короткого видео · создание краткой сводки ролика с временными метками · поиск момента, соответствующего текстовому запросу
VideoMAE с 402,7 млн параметров классифицирует видео по 400 категориям действий из Kinetics-400.
Подходит для: классификация действий в видеороликах · распознавание типа активности в видео · автоматическая категоризация видеотеки
VideoRFT — мультимодальная модель на базе Qwen2.5-VL для ответов на вопросы и рассуждений о содержании видео.
Подходит для: ответы на вопросы о событиях в видео · анализ последовательности действий и временных связей · объяснение причинно-следственных событий в видео
Базовая модель VideoMAE-v2 для извлечения признаков и классификации видео.
Подходит для: извлечение признаков из видеозаписей · классификация видеоклипов · подготовка видеоэмбеддингов для последующих задач
LongVT-RFT — мультимодальная модель на базе Qwen2.5-VL для ответов на вопросы и рассуждений по длинным видео.
Подходит для: ответы на вопросы о событиях в длинном видео · поиск нужного эпизода по текстовому вопросу · детальный анализ выбранных фрагментов видео
Дообученная на базе Qwen2.5-Omni-7B мультимодальная модель для анализа видео и связанного аудиоконтекста и формирования эмпатичных, контекстно-обоснованных текстовых ответов.
Подходит для: ответы на вопросы по видео с учетом аудиоконтекста · интерпретация намерений собеседника по мультимодальному контексту · анализ эмоций и потребностей человека в видео
Открытая мультимодальная модель OpenMOSS для анализа изображений и длинных видео, OCR, разбора документов и ответов на инструкции.
Подходит для: ответы на вопросы по изображениям и видеозаписям · поиск и локализация событий во времени в длинном видео · распознавание текста на изображениях и разбор документов
Дообученная на Something-Something-V2 модель V-JEPA 2 от FAIR при Meta классифицирует видео по показанным действиям.
Подходит для: распознавание действий в коротких видеороликах · классификация видео по содержимому · автоматическая разметка видео по классам действий
Мультимодальная модель TencentARC на базе Qwen2.5-VL-7B-Instruct для понимания коротких видео с аудио и ответов на вопросы о них.
Подходит для: ответы на вопросы о содержании коротких видео · понимание последовательности событий в видео · видеорассуждения и ответы на вопросы с выбором варианта