Мультимодальный GUI-агент на базе Qwen3-VL-4B, который анализирует экраны и помогает выполнять многошаговые задачи в приложениях.

Подходит для: Навигация по интерфейсу мобильного приложения по скриншоту · Нажатие на элементы и ввод текста по инструкции · Выполнение цепочки действий в приложениях для покупок

Модель NVIDIA для восприятия дорожной обстановки, объяснения решений и предсказания действий и траекторий автономного автомобиля по изображениям, видео, тексту и истории движения.

Подходит для: предсказание траектории автономного автомобиля · ответы на вопросы по видео с дорожных камер · привязка объектов на изображениях к координатам

AutoGLM-Phone-9B — мультимодальная модель для понимания экранов Android и поддержки автоматизации задач на смартфоне через Phone Agent.

Подходит для: выполнение заданий на смартфоне по текстовой команде · поиск информации в мобильных приложениях · навигация по интерфейсу Android по снимкам экрана

Дообученная компактная MLX-модель генерирует AppleScript и вызовы инструмента для автоматизации macOS.

Подходит для: автоматизация действий в Safari, Finder и приложениях macOS · управление Mail, Notes и Calendar через AppleScript · создание вызовов run_applescript для агентного цикла

Мультимодальная модель Zhipu AI анализирует экран Android и поддерживает автоматизацию действий на смартфоне по запросам на естественном языке.

Подходит для: автоматизация поиска информации в приложениях Android · выполнение многошаговых задач через интерфейс смартфона · анализ снимка экрана для выбора следующего действия

Дообученная и квантованная MoE-модель для генерации AppleScript и вызовов инструментов при автоматизации macOS.

Подходит для: автоматизация Safari, Finder, Mail и Notes на macOS · создание AppleScript для Calendar и Reminders · управление системными настройками macOS через агент

Мультимодальная модель OS-Genesis для анализа экранов Android и формирования действий GUI-агента.

Подходит для: выполнение задач в приложениях Android по описанию на естественном языке · управление мобильным интерфейсом по снимку экрана · построение траекторий действий GUI-агента

Дообученная компактная MoE-модель Osaurus для генерации AppleScript и вызовов инструментов при автоматизации macOS.

Подходит для: автоматизация действий в Safari, Finder, Mail, Notes и Calendar · управление macOS через AppleScript в агентном цикле · генерация вызовов инструмента run_applescript

Производный чекпойнт SAM 3.1 в формате BF16 для сегментации объектов и отслеживания масок в видео на Apple Silicon через MLX.

Подходит для: создание масок объектов на изображениях · сегментация объектов в видеокадрах · отслеживание объектов между кадрами видео

Дообученная Qwen2.5-VL модель, которая интерпретирует экран мобильного интерфейса и формирует координатные вызовы действий для управления приложениями.

Подходит для: нажатие на элементы мобильного приложения по скриншоту · автоматизация последовательности действий в мобильном интерфейсе · выбор координат кнопок и полей на экране

Дообученная Qwen3-VL модель для понимания интерфейсов приложений и выдачи по одному действию за ответ с учётом истории шагов.

Подходит для: выбор следующего действия в интерфейсе приложения по скриншоту · управление приложением по последовательности экранов и истории действий · выдача координат нажатия по изображению интерфейса

Дообученная Qwen3-VL модель, которая интерпретирует экраны мобильных приложений и выполняет навигационные действия через вызовы mobile_use.

Подходит для: навигация по экрану мобильного приложения по текстовой инструкции · поиск и нажатие элементов интерфейса на скриншоте · выполнение последовательностей действий в мобильном GUI

Визуально-языковая модель на базе Qwen2-VL для выполнения инструкций и задач в графическом интерфейсе Android.

Подходит для: выполнение текстовых инструкций в интерфейсе Android по снимку экрана · автоматизация действий в мобильных приложениях · обучение и адаптация GUI-агента в интерактивной среде

Мультимодальный агент для управления Android-интерфейсами по снимку экрана и текстовой инструкции.

Подходит для: выполнение последовательности действий в Android-приложении · нажатие на элементы интерфейса по их расположению · прокрутка экранов мобильного приложения

PhoneBuddy-4B-RealApp — экспериментальный мультимодальный агент на базе Qwen3.5 VL для исследований управления телефоном через реальные приложения и инструменты.

Подходит для: исследование управления приложениями на смартфоне по снимкам экрана · оценка визуального рассуждения агента о действиях на телефоне · сравнение обучения агента на реальных приложениях без mockapps

ForgeOwl-8B — дообученная визуально-языковая модель для выполнения задач в мобильных Android-интерфейсах по снимкам экрана и текстовым инструкциям.

Подходит для: автоматизация последовательностей действий в Android-приложениях · тестирование мобильных приложений по пользовательским сценариям · выполнение задач в графическом интерфейсе по текстовой инструкции

4-битная MLX-версия Cohere Transcribe для локальной транскрибации речи на Apple Silicon.

Подходит для: транскрибация аудиозаписей на Mac · локальное распознавание речи без облачного сервиса · преобразование речи в текст в приложениях для Apple Silicon

MLX-пакет аудиоязыковой модели StepFun для редактирования речи и аудиоэффектов в существующей записи с сохранением голоса, а также zero-shot клонирования голоса.

Подходит для: изменение эмоции в существующей речевой записи · редактирование манеры и стиля речи с сохранением голоса · добавление смеха, вздохов и дыхания в аудиозапись

Набор MLX-артефактов dots.tts для синтеза речи и клонирования голоса на компьютерах Apple Silicon.

Подходит для: синтез английской речи из текста · синтез китайской речи из текста · клонирование голоса по короткому аудиофрагменту

Квантованная до 8 бит версия LiTo для MLX преобразует изображения объектов в 3D Gaussian Splat PLY на Apple Silicon.

Подходит для: создание 3D Gaussian Splat по изображению объекта · получение 3D-представления объекта из RGBA-изображения с маской · локальный инференс LiTo на компьютерах с Apple Silicon