VisualClozePipeline-384 — универсальный Diffusers-фреймворк для генерации и преобразования изображений по визуальным примерам и контексту.

Подходит для: генерация изображения по визуальным примерам · преобразование изображения в рамках задачи по контекстным примерам · обобщение на новые задачи генерации с помощью визуального контекста

CLIP ViT-B/32 от OpenAI сопоставляет изображения с текстовыми метками для классификации без дообучения и исследований обобщения компьютерного зрения.

Подходит для: классификация изображений по заданным текстовым категориям · поиск подходящей подписи для изображения среди вариантов · исследование переноса на новые классы без дообучения

CLIPSeg выделяет на изображениях области, соответствующие текстовому или визуальному запросу, для zero-shot и one-shot сегментации.

Подходит для: выделение объекта на изображении по текстовому описанию · создание маски объекта без обучения на целевом классе · поиск области изображения по визуальному примеру

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

CLIP-модель ViT-B/16-plus, обученная на LAION-400M, сопоставляет изображения с текстовыми метками для классификации без дообучения.

Подходит для: классификация изображений по текстовым описаниям · поиск подходящей категории для изображения из списка вариантов · сортировка изображений по тематическим меткам

Вариант CLIP с визуальным энкодером ViT-B/16 извлекает признаки изображений и поддерживает классификацию по текстовым описаниям без обучения на целевых классах.

Подходит для: извлечение признаков изображений для исследовательских экспериментов · классификация изображений по текстовым описаниям без обучения на классах · сопоставление изображений с текстовыми запросами

Дообученная модель Flan-T5-XL для сопоставления изображений с текстом и оценки соответствия описаний изображениям.

Подходит для: оценка соответствия изображения текстовому описанию · ранжирование текстовых описаний по релевантности изображению · поиск изображений по текстовому запросу

Визуальный Vision Transformer Meta AI для извлечения признаков изображений и использования их в классификации, поиске, сегментации и других задачах компьютерного зрения.

Подходит для: извлечение признаков изображений для классификатора · поиск похожих изображений по эмбеддингам · классификация изображений с линейным классификатором

Визуальная модель Meta AI на базе ConvNeXt Small извлекает универсальные признаки изображений для поиска, классификации, сегментации и других задач компьютерного зрения.

Подходит для: поиск похожих изображений по визуальным признакам · классификация изображений с линейным классификатором · семантическая сегментация изображений

Экспериментальная мультимодальная версия Gemma 3 27B для диалогов и ответов на вопросы по изображениям с уменьшенной частотой отказов.

Подходит для: диалоговые ответы на пользовательские запросы · ответы на вопросы по изображениям · генерация текста с меньшей частотой отказов

Компактная англо-японская визуально-языковая модель для ответов на вопросы об изображениях, визуального поиска объектов и анализа сцен на edge-устройствах.

Подходит для: ответы на вопросы по фотографии на английском или японском · поиск человека или объекта на изображении по текстовому описанию · распознавание инструментов и анализ действий работников на производстве

Предобученная мультимодальная модель Google, которая принимает изображение и текст и служит основой для дообучения под задачи компьютерного зрения и визуального языка.

Подходит для: дообучение модели для описания изображений · ответы на вопросы об изображении · чтение текста на изображениях

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

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

Дообученная на DTD визуальная часть CLIP ViT-L/14 для извлечения признаков и классификации изображений текстур.

Подходит для: извлечение признаков из изображений текстур · классификация изображений по визуальным текстурам · подготовка визуальных представлений для последующей классификации

PE-Core-B-16 — модель Meta на основе OpenCLIP для классификации изображений по текстовым меткам и поиска по визуально-текстовым признакам.

Подходит для: классификация изображений по пользовательским текстовым категориям · поиск изображений по текстовому запросу · поиск текстовых описаний, соответствующих изображению

CLIP-модель с визуальным энкодером ViT-B/16 для классификации изображений по текстовым меткам без дополнительного обучения.

Подходит для: классификация изображений по пользовательским текстовым категориям · поиск изображений по текстовому описанию · сопоставление фотографий с перечнем возможных объектов или сцен

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

MDLM — англоязычная маскированная диффузионная модель для восстановления скрытых токенов в тексте с контекстом 1024 токена.

Подходит для: восстановление пропущенных токенов в тексте · эксперименты с маскированными диффузионными языковыми моделями · изучение предсказания текста при разной степени маскирования

ConvNeXt Large с визуальными весами CLIP, дообученная на ImageNet для классификации изображений и извлечения визуальных признаков.

Подходит для: классификация объектов на изображениях · распознавание категорий на фотографиях ImageNet · извлечение карт визуальных признаков

Экспериментальная мультимодальная Gemma 3 4B IT с ослабленным механизмом отказов для диалогов, генерации текста и ответов по изображениям.

Подходит для: диалоговый помощник с ответами на текстовые запросы · ответы на вопросы по изображениям · эксперименты с уменьшением отказов модели

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

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

Astrea-R8-Chat-9B — дообученная Altworld модель для диалогов и связного творческого письма на английском языке.

Подходит для: написание продолжения сцены или рассказа по заданному действию · создание диалоговых историй с последовательными персонажами и событиями · соблюдение заданного тона и жанра в художественном тексте