Мультимодальная модель OpenGVLab на 78 млрд параметров для диалога, анализа изображений и видео и визуального рассуждения.

Подходит для: ответы на вопросы по изображениям и видео · описание и сравнение нескольких изображений · анализ научных диаграмм и промышленных изображений

Экспериментальная мультимодальная модель XORTRON для исследований и оценки рисков преступного применения ИИ в диалоговых и визуальных сценариях.

Подходит для: оценка рисков содействия преступлениям со стороны ИИ · редтим-тестирование мультимодальной модели в сценариях злоупотреблений · исследование угроз и моделей преступного применения ИИ

Экспериментальная Qwen3-VL модель анализирует живое видео и самостоятельно решает, когда ответить, промолчать или делегировать подзадачу.

Подходит для: наблюдение за видеопотоком с реакцией на важные события · обнаружение падений и других происшествий на камере · мониторинг прямой трансляции и своевременные комментарии

Компактная VLM для управления графическими интерфейсами, которая преобразует снимки экрана и текстовые команды в структурированные действия с координатами.

Подходит для: нажатие кнопок по команде на снимке экрана · автоматизация действий в компьютерном интерфейсе · управление элементами интерфейса смартфона

Визуальная модель Apple с 2,7 млрд параметров для извлечения признаков изображений и задач визуального понимания.

Подходит для: извлечение признаков из изображений · подготовка визуальных представлений для поиска по изображениям · распознавание объектов и категорий

Мультимодальная модель InternLM на 7,4 млрд параметров для длительных потоковых взаимодействий с аудио и видео и ответов на вопросы о визуальном содержимом.

Подходит для: ответы на вопросы по видео · анализ длительных видеопотоков · потоковое взаимодействие с аудио

VLAC — мультимодальный критик и модель управления манипуляциями, оценивающая прогресс и завершение роботизированных задач по изображениям и их описаниям.

Подходит для: оценка прогресса выполнения задачи манипуляционным роботом · проверка завершения роботизированной задачи по изображению · оценивание качества траекторий для фильтрации обучающих данных

Визуальный энкодер MLCD на базе ViT-L/14 с разрешением 336 пикселей извлекает признаки изображений для мультимодальных моделей и задач классификации.

Подходит для: Извлечение визуальных признаков для мультимодальной языковой модели · Подготовка представлений изображений для линейной классификации · Классификация изображений после обучения линейного классификатора поверх энкодера

VILA-U-7B-256 — мультимодальная модель MIT Han Lab для понимания изображений и видео, работы с языком и авторегрессионной генерации изображений.

Подходит для: ответы на вопросы по изображениям · описание содержимого изображений · понимание видеосцен

Зрительная модель MLCD с 402,7 млн параметров для извлечения признаков и векторных представлений изображений.

Подходит для: извлечение векторных признаков изображений · поиск похожих изображений по содержимому · сопоставление изображений в визуальной базе данных

Видеоязычная ViCLIP-модель для классификации видео без дообучения, поиска видео по тексту и обучения видеопредставлений.

Подходит для: классификация видео по текстовому описанию без дообучения · поиск видео по текстовому запросу · поиск текстового описания по видео

Многоязычная модель на базе mmBERT для распознавания именованных сущностей в текстах на славянских языках и албанском.

Подходит для: выделение имён людей в тексте · распознавание организаций и мест · разметка сущностей в новостях на славянских языках

Компактная модель «зрение—язык» на 222 млн параметров для ответов на текстовые запросы по изображениям и экспериментов с VLM.

Подходит для: ответы на вопросы об изображениях · эксперименты с обучением визуально-языковых моделей · создание прототипов приложений для анализа изображений

Многоязычная модель DeBERTa V3 для извлечения людей, мест, организаций и других именованных сущностей из текстов на 12 славянских и соседних языках.

Подходит для: извлечение имён людей, организаций и мест из документов · разметка сущностей в новостях и публикациях для мониторинга СМИ · обогащение текстов метаданными для поиска

Многоязычная модель на базе mDeBERTa V3 для извлечения именованных сущностей из текстов на восьми славянских языках.

Подходит для: извлечение имён людей из русскоязычных текстов · поиск организаций и мест в документах на славянских языках · обогащение документов сущностями для поиска