LLaVA-1.5-7B — мультимодальный чат-бот, который отвечает на текстовые вопросы и инструкции с учётом изображений.
Подходит для: ответы на вопросы о содержимом изображения · создание текстового описания изображения · диалог по нескольким изображениям
Мультимодальная модель на базе Mistral-7B для диалога по изображениям, визуальных вопросов и описания изображений.
Подходит для: ответы на вопросы о содержимом изображения · создание подписей и описаний изображений · распознавание текста на изображениях
Мультимодальная модель на базе Qwen2 для диалогов и ответов по изображениям, нескольким изображениям и видео.
Подходит для: ответы на вопросы о содержимом изображения · описание и анализ нескольких изображений в одном запросе · понимание видеосцен и ответы по видео
Базовая мультимодальная модель Qwen3.5 с 0,8 млрд параметров для дообучения и экспериментов с текстом и изображениями.
Подходит для: дообучение компактной мультимодальной модели · эксперименты с обучением в контексте · создание чат-модели на базе Qwen3.5
LLaVA-NeXT-Video-7B — мультимодальная чат-модель для ответов на текстовые вопросы об изображениях и видео.
Подходит для: ответы на вопросы о содержимом видеоролика · краткое описание сцен и событий в видео · поиск визуальных деталей по текстовому запросу
JoyCaption Beta One — визуально-языковая модель, создающая текстовые описания изображений для подготовки данных и обучения моделей генерации изображений.
Подходит для: создание подписей к изображениям для датасетов · подготовка описаний изображений для обучения diffusion-моделей · описание цифрового искусства и иллюстраций
safetensors: формат, квантизация, runtime и память принадлежат одному artifact
Мультимодальная модель на базе Qwen2 для диалогов и ответов по изображениям, нескольким изображениям и видео.
Подходит для: ответы на вопросы о содержимом изображения · создание текстового описания изображения · сравнение или анализ нескольких изображений в одном запросе
VipLLaVA 7B — мультимодальная чат-модель для ответов на вопросы по изображениям и интерпретации визуальных подсказок.
Подходит для: ответы на вопросы об изображениях · описание содержимого изображения в диалоге · анализ нескольких изображений в одном запросе
Мультимодальный чат-бот на базе Qwen, который отвечает на текстовые запросы по одному или нескольким изображениям и подходит для исследовательских экспериментов.
Подходит для: ответы на вопросы по изображению · описание содержимого изображения · сравнение нескольких изображений в одном запросе
Визуально-языковая модель JoyCaption на базе LLaVA для автоматического создания текстовых описаний изображений, в том числе для подготовки данных обучения диффузионных моделей.
Подходит для: создание подписей к изображениям для датасетов · подготовка описаний изображений для обучения диффузионных моделей · аннотирование цифрового искусства и иллюстраций
Компактная авторегрессионная модель семейства Llama для генерации текста, предварительно обученная на FineWeb.
Подходит для: эксперименты с компактными языковыми моделями · генерация коротких текстовых продолжений · изучение авторегрессионной архитектуры Llama
Мультимодальная чат-модель LLaVA-NeXT на базе Vicuna-7B отвечает на вопросы об изображениях, описывает их и поддерживает визуальное рассуждение.
Подходит для: ответы на вопросы о содержимом изображения · создание текстовых описаний изображений · распознавание текста на изображениях
LLaVA 1.5 13B — мультимодальная чат-модель, которая отвечает на вопросы и описывает изображения по текстовым инструкциям.
Подходит для: ответы на вопросы о содержимом изображения · описание объектов и сцен на изображении · диалог с учётом визуального контекста
Мультимодальная модель LanguageBind для диалогов, вопросов и ответов и описания изображений и видео по текстовым инструкциям.
Подходит для: ответы на вопросы о содержимом видео · ответы на вопросы по изображению · создание описаний видеоматериалов
Мультимодальная чат-модель на основе Nous-Hermes-2-Yi-34B для анализа изображений и генерации ответов на текстовые запросы о них.
Подходит для: описание содержимого изображения · ответы на вопросы по изображению · распознавание текста на изображениях
Мультимодальная чат-модель LLaVA-NeXT на основе Llama 3 для описания изображений и ответов на вопросы по их содержимому.
Подходит для: описание содержимого изображения · ответы на вопросы по фотографии или иллюстрации · диалог с моделью о визуальном содержимом
LLaVA-NeXT Vicuna-13B — мультимодальная чат-модель для ответов на вопросы об изображениях, описания сцен и распознавания текста на изображениях.
Подходит для: ответы на вопросы о содержимом изображения · создание текстовых описаний изображений · распознавание текста на изображениях
Компактная мультимодальная модель LLaVA-OneVision на базе Qwen2 для ответов на вопросы и диалога по изображениям, нескольким изображениям и видео.
Подходит для: ответы на вопросы о содержимом изображения · создание кратких описаний изображений · сравнение нескольких изображений по запросу
Мультимодальная чат-модель LLaVA-NeXT отвечает на вопросы об изображениях и создаёт их текстовые описания.
Подходит для: ответы на вопросы по изображению · создание подписей и описаний изображений · диалог с пользователем о визуальном содержимом
safetensors: формат, квантизация, runtime и память принадлежат одному artifact
Англоязычная чат-модель LLaMA 3 на 7,5 млрд параметров, экстраполированная методом ExPO для улучшения соответствия ответов человеческим предпочтениям.
Подходит для: генерация ответов в диалоговом чате · ответы на вопросы на английском языке · создание инструктивных текстовых ответов
Компактная модель TinyLLaVA принимает изображения и текстовые вопросы, чтобы описывать визуальный контент и отвечать на вопросы о нём.
Подходит для: ответы на вопросы по содержимому изображения · создание описаний изображений · визуальный диалог с несколькими изображениями
Мультимодальный чат-бот семейства LLaVA для ответов на текстовые запросы по одному или нескольким изображениям.
Подходит для: ответы на вопросы о содержимом изображения · описание изображений в диалоге · сравнение нескольких изображений по запросу