GLM-5.1 — языковая модель Z.ai для генерации кода и длительных агентных инженерных задач с инструментами.

Подходит для: генерация кода по описанию задачи · поиск и исправление ошибок в репозитории · выполнение многоэтапных задач в терминале

Предварительная модель MindLab Research на базе GLM-5.1 для персонального агентного планирования, вызова инструментов, программирования и генерации интерфейсов.

Подходит для: планирование личных дел с учётом меняющихся условий · поиск мест и координация маршрутов через инструменты · работа с календарём и задачами через агентные API

Компактная LLaMA-совместимая языковая модель для локальных агентных рабочих процессов, диагностики Linux и генерации кода.

Подходит для: диагностика проблем Linux-серверов · помощь в системном администрировании и настройке инфраструктуры · генерация скриптов Bash и Python для автоматизации

Открытая мультимодальная модель Xiaomi на базе Qwen2.5-VL для визуального понимания, планирования и прогнозирования в автономном вождении и embodied AI.

Подходит для: анализ дорожной сцены по изображению · понимание пространственных отношений между объектами · планирование манипуляций и действий робота

pytorch: формат, квантизация, runtime и память принадлежат одному artifact

Агентная модель MindLab Research на базе GLM-5.3 для диалогов, работы с инструментами, программирования и генерации интерфейсов.

Подходит для: ведение открытых диалогов с пользователем · выбор и выполнение действий с инструментами в бизнес-процессах · многошаговое исправление ошибок и изменение кода

Модель DeBERTa для восстановления замаскированных слов и фрагментов текста.

Подходит для: восстановление пропущенных слов в предложении · подбор токена вместо маски в тексте · оценка вариантов заполнения текстового пропуска

Модель MindLab Research на базе GLM-5.2 для диалогов, агентных задач с инструментами, программирования и генерации интерфейсов.

Подходит для: диалоги с персональным ИИ-помощником · выполнение задач агента с использованием инструментов · написание и изменение программного кода

Модель DeBERTa с 79,7 млн параметров для предсказания замаскированных токенов в текстах длиной до 512 токенов.

Подходит для: заполнение пропущенных слов в тексте · предсказание замаскированного токена в предложении · эксперименты с языковыми моделями DeBERTa

pytorch: формат, квантизация, runtime и память принадлежат одному artifact

Дообученная DeBERTa на 79,7 млн параметров для предсказания замаскированных токенов в текстах с контекстом до 512 токенов.

Подходит для: предсказание пропущенного слова в предложении · подстановка маскированного токена по контексту · проверка языковых представлений текста

Дообученная DeBERTa-модель для предсказания замаскированных токенов в тексте.

Подходит для: восстановление пропущенных слов в тексте · предсказание замаскированного токена · анализ контекстных представлений текста

Дообученная модель DeBERTa для предсказания пропущенных токенов в тексте.

Подходит для: подстановка пропущенного слова в предложении · восстановление скрытых токенов в тексте · оценка вариантов заполнения маски в предложении

Дообученная DeBERTa-модель для предсказания пропущенных токенов в тексте.

Подходит для: восстановление пропущенных слов в тексте · подстановка маскированного токена · контекстное предсказание токенов

Дообученная модель T5 на базе VietAI/vit5-large с неописанными в карточке целями и сценариями применения.

Контрастивная CLIP-модель UCSC-VLAA сопоставляет изображения с текстом и классифицирует изображения по текстовым меткам без дообучения.

Подходит для: классификация изображений по пользовательским категориям без обучения · поиск изображений по текстовому запросу · сопоставление изображения с несколькими описаниями или метками

Открытый визуальный энкодер OpenVision для извлечения признаков изображений и применения в мультимодальных системах.

Подходит для: извлечение признаков из изображений для мультимодальной системы · подготовка представлений изображений для последующей обработки · классификация изображений по текстовым меткам без дообучения

Модель зрения и языка на базе Qwen2.5-VL для анализа изображений по текстовым запросам и генерации ответов.

Подходит для: ответы на вопросы об изображении · анализ изображения по текстовой инструкции · описание содержимого изображения

Визуально-языковая модель на базе Qwen2.5-VL для ответов с рассуждениями на вопросы по изображениям, графикам и документам.

Подходит для: решение математических задач по изображениям и диаграммам · ответы на вопросы по научным графикам и иллюстрациям · извлечение ответов из изображений документов

Дообученная Llama 3.1 на 7,5 млрд параметров для генерации, улучшения и предварительной оценки экзаменационных вопросов в высшем образовании.

Подходит для: генерация экзаменационных вопросов по учебным целям · улучшение ясности формулировок экзаменационных заданий · корректировка сложности вопросов

Мультимодальная модель UCSC-VLAA на базе Qwen2-VL для рассуждений по изображениям и ответов на вопросы с учётом визуального контекста.

Подходит для: ответы на вопросы по изображениям · решение задач по графикам и диаграммам · математические задачи с визуальными данными

Языковая модель Qwen2 на 7,1 млрд параметров для диалогов, генерации текста и ответов на вопросы с контекстом до 32 768 токенов.

Подходит для: ответы на вопросы в диалоге · генерация текста по запросу · создание чат-бота с вызовом инструментов

Компактная визуально-языковая модель VLAA на базе Qwen2VL для диалоговых запросов и генерации ответов по изображениям.

Подходит для: ответы на вопросы об изображении · описание содержимого изображения · диалог с изображением

Медицинская мультимодальная модель на базе Qwen2.5-VL-3B-Instruct для анализа изображений и ответов на вопросы по ним.

Подходит для: ответы на вопросы по медицинским изображениям · визуальный анализ медицинских снимков по текстовому запросу · диалоговое исследование медицинских изображений