Японская диалоговая GPT-2-модель с 1,3 млрд параметров для ответов на инструкции и вопросы с учётом истории беседы.

Подходит для: ответы на вопросы на японском языке · диалоговый помощник для общения на японском · генерация ответов на японские инструкции

Японская диалоговая GPT-2-модель на 1,3 млрд параметров для генерации текста и ответов на инструкции.

Подходит для: создание японского чат-бота · генерация ответов на японском языке · ответы на инструкции на японском языке

Модель на основе SDXL для генерации аниме-иллюстраций по текстовым описаниям.

Подходит для: генерация аниме-персонажа по текстовому промпту · создание иллюстраций с цветами и детализированным фоном · подготовка стилизованных изображений для концепт-арта

Японская GPT-2 модель, дообученная на наборе инструкций Databricks Dolly для генерации текста и ответов на инструкции.

Подходит для: генерация ответов на инструкции на японском языке · создание японского текста по короткой подсказке · эксперименты с дообучением языковой модели на японских инструкциях

Квантованная до int8 версия MADLAD-400-3B-MT на архитектуре T5 для мультиязычного машинного перевода.

Подходит для: перевод текста между поддерживаемыми языками · перевод русскоязычных текстов на другие языки · перевод пользовательского контента в мультиязычных сервисах

LiteResearcher-4B — дообученная на базе Qwen3 языковая модель для агентного веб-поиска и глубокого исследования с контекстом до 262 144 токенов.

Подходит для: поиск и сбор сведений в интернете по сложному вопросу · сопоставление данных из нескольких веб-источников · проверка фактов по найденным страницам

Компактная модель Naver AI для классификации изображений и извлечения визуальных признаков, обученная на ImageNet-1k.

Подходит для: классификация изображений по категориям ImageNet · получение признаковых карт из изображений · извлечение векторных представлений изображений

Английская модель OLMo2 на 1,1 млрд параметров с посттренировочным редактированием для подавления концепта «искусственный интеллект», предназначенная для генерации текста и исследовательской оценки удаления концептов.

Подходит для: генерация английского текста с моделью OLMo2 без инструкционной настройки · исследование подавления концепта «искусственный интеллект» в языковой модели · сравнение методов EMBER и SNMF для редактирования знаний

Квантованная INT8-версия BAAI/bge-m3 для получения текстовых эмбеддингов и плотного семантического поиска.

Подходит для: создание эмбеддингов для документов · семантический поиск по текстовой коллекции · векторный ретривинг для RAG

Англоязычная модель OLMo2 1B с редактированием SNMF для исследования подавления ответов, связанных с концептом искусственного интеллекта.

Подходит для: исследование подавления ответов о концепте искусственного интеллекта · сравнение SNMF-редактирования с контрольной моделью и концептуально исключённым вариантом · генерация английского текста базовой языковой моделью

Модель RDNet от Naver AI классифицирует изображения ImageNet и может служить backbone для извлечения визуальных признаков и эмбеддингов.

Подходит для: классификация изображений по категориям ImageNet · извлечение карт признаков из изображений · получение эмбеддингов изображений для поиска по визуальному сходству

Самоконтролируемый визуальный энкодер ViT-S/16 на базе LeJEPA для извлечения признаков изображений, предобученный на ImageNet-1K.

Подходит для: получение эмбеддингов изображений для последующей классификации · извлечение признаков изображений для поиска по визуальному сходству · использование визуального энкодера как основы для downstream-задач компьютерного зрения

Чат-модель Intel на базе MPT-7B для генерации текста и ответов на инструкции.

Подходит для: ответы на пользовательские инструкции и вопросы · ведение текстового диалога · генерация фрагментов кода

RDNet Large — модель компьютерного зрения для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация объектов на изображениях · извлечение карт признаков для компьютерного зрения · получение эмбеддингов изображений

Самообученный визуальный энкодер ViT-B/16 на базе ViT-v2, извлекающий признаки изображений для задач компьютерного зрения.

Подходит для: извлечение признаков изображений для последующей классификации · подготовка визуальных эмбеддингов для поиска похожих изображений · получение представлений изображений для downstream-обучения

Квантизованная до INT8 версия GPT-J 6B в формате ONNX для авторегрессионной генерации английского текста.

Подходит для: генерация продолжений английского текста · развёртывание GPT-J с меньшим размером весов · инференс генеративной языковой модели в ONNX

Дообученная Intel модель Mistral-7B-v0.1 для генерации текста и языковых задач.

Подходит для: создание диалогового помощника на английском языке · генерация ответов на текстовые запросы · подготовка черновиков и пояснений

Динамически квантованная INT8-модель DistilBERT определяет тональность англоязычных текстов.

Подходит для: определение тональности коротких отзывов на английском языке · классификация положительных и отрицательных высказываний · анализ тональности комментариев и пользовательских сообщений

Компактная дообученная модель Qwen3.5 для поиска по документации Fabrix/RDAF и выдачи кратких ссылок на подходящие карточки базы знаний.

Подходит для: поиск карточки документации Fabrix по запросу пользователя · подбор источника для настройки фильтров и виджетов дашборда · поиск сведений о схемах Fabrix и RDAF

Argos 2B — дообученная модель Fabrix AI для поиска знаний Fabrix/RDAF, цитирования документации и генерации наборов виджетов дашборда.

Подходит для: Поиск ответов в базе знаний Fabrix/RDAF · Подготовка ответов с цитатами карточек документации · Генерация набора пользовательских виджетов для дашборда

Квантованная до INT8 версия GPT-J 6B в формате ONNX для генерации текста с уменьшенным размером модели.

Подходит для: генерация продолжений английского текста · инференс языковой модели в приложениях на базе ONNX · прототипирование генеративных текстовых сервисов

Дообученная модель Swin Transformer для классификации изображений семян по 101 виду сорных растений.

Подходит для: Определение вида сорного растения по изображению семени · Сортировка семян по видам в лаборатории · Предварительная проверка образцов семян на наличие видов REGAL

Производная модели cfia-ai-lab/swin-large-patch4-window12-384-in22k-101spp-ft. Дообученная модель Swin Transformer для классификации изображений семян по 101 виду сорных растений.

Подходит для: Определение вида сорного растения по изображению семени · Сортировка семян по видам в лаборатории · Предварительная проверка образцов семян на наличие видов REGAL