Rex-Omni — компактная мультимодальная модель для обнаружения объектов и других задач визуального анализа по изображению и текстовому запросу.
Подходит для: обнаружение объектов на изображении · поиск и указание объекта по текстовому описанию · распознавание текста на изображениях
Компактная мультимодальная модель Qwen для диалога с текстом, изображениями, аудио и видео с генерацией текстовых и речевых ответов.
Подходит для: голосовой чат с потоковыми ответами · распознавание речи и выполнение голосовых инструкций · ответы на вопросы по изображениям
Мультимодальная модель NVIDIA для создания эмбеддингов текста, изображений, аудио и видео и поиска релевантного содержимого в системах извлечения и RAG.
Подходит для: поиск видео по текстовому запросу · поиск аудиозаписей по текстовому описанию · поиск изображений и визуальных документов
Tarsier-7b — видеоязыковая модель для создания описаний видео и ответов на вопросы о его содержимом.
Подходит для: создание текстового описания видеоролика · ответы на вопросы о событиях в видео · видео-ориентированный визуальный вопросно-ответный диалог
Модель NVIDIA Cosmos3 для генерации видео из исходного изображения, ориентированная на сценарии Physical AI.
Подходит для: создание видеосцены по исходному изображению · генерация динамичных сцен для симуляции физических сред · создание видеоданных для робототехнических сценариев
Tarsier-34b — видеоязыковая модель для генерации описаний видео и ответов на вопросы о его содержании.
Подходит для: генерация текстового описания видеоролика · ответы на вопросы о событиях и действиях в видео · оценка понимания видео в исследовательских экспериментах
Модель Qwen для подробного текстового описания речи, музыки и других звуков по аудиозаписи.
Подходит для: создание описаний аудиозаписей для каталога · анализ звуков окружающей среды и звуковых эффектов · описание музыки и смешанных звуковых сцен
MiDashengLM-7B-0804-fp32 — аудиоязыковая модель для описания звука и музыки, ответов на вопросы об аудио, классификации и распознавания речи.
Подходит для: создание текстовых описаний музыкальных записей · описание звуков окружающей среды · ответы на вопросы о содержании аудиозаписи
Cosmos3-Super-Text2Image — модель NVIDIA для создания изображений по текстовым запросам в сценариях Physical AI.
Подходит для: создание изображений по текстовым описаниям · подготовка визуальных сцен для симуляции физических сред · генерация изображений промышленных и робототехнических сценариев
Мультимодальная модель на базе Qwen3.5-9B для решения школьных задач, диагностики понимания учеников и поддержки преподавания.
Подходит для: решение школьных задач по тексту и изображениям · объяснение математических задач с пошаговыми подсказками · выявление заблуждений и пробелов в знаниях ученика
Пакет AMAImedia на базе Qwen3-TTS Talker для многоязычного синтеза речи и дубляжа с клонированием голоса через маршрутизатор NOESIS.
Подходит для: синтез речи для многоязычного дубляжа фильмов · озвучивание текста на разных языках · клонирование голоса по образцу без предварительного обучения
Мультимодальная модель NVIDIA Nemotron 3 Nano Omni для понимания текста, изображений, аудио и видео, транскрипции, анализа документов и GUI-сценариев.
Подходит для: транскрипция и анализ аудио в записях встреч · поиск и суммаризация видеоматериалов · извлечение текста и ответов из деловых документов
MILCO — многоязычная модель разреженных представлений для внутъязыкового и межъязыкового поиска документов.
Подходит для: поиск документов по запросам на том же языке · поиск документов по запросам на другом языке · создание разреженных индексов для многоязычного поиска
ShapeLLM-Omni — мультимодальная модель на базе Qwen2.5-VL для понимания, генерации и редактирования 3D-объектов по тексту и изображениям.
Подходит для: генерация 3D-объекта по текстовому запросу · создание 3D-модели по изображению · ответы на вопросы о содержимом 3D-объекта
EasyRef переносит визуальную идентичность и другие общие признаки нескольких референсных изображений в генерацию новых изображений.
Подходит для: создание изображений персонажа с сохранением его внешности по нескольким фото · генерация вариантов изображения на основе группы референсов · создание изображений по текстовому запросу с визуальными референсами
MILCO 300M кодирует тексты в разреженные многоязычные представления для одноязычного и межъязыкового поиска.
Подходит для: поиск документов по запросам на том же языке · поиск документов на одном языке по запросу на другом · создание разреженного индекса для многоязычного корпуса
Мультимодальная модель EximiusLabs для поиска и сопоставления текста, изображений, видео и аудио в общем пространстве эмбеддингов.
Подходит для: поиск аудиозаписей по текстовому описанию · поиск изображений по аудиособытию · поиск аудио по изображению или видеокадру
Экспериментальная компактная модель Q-Project для генерации английского текста и исследований троичных весов и общего словаря текстовых, графических и аудиотокенов.
Подходит для: эксперименты с троичными языковыми моделями · генерация связного английского текста для прототипов · изучение общего словаря текстовых, графических и аудиотокенов
AudioJev — дообученная модель Qwen для классификации аудио и ответов на вопросы по звуку среди заданных вариантов.
Подходит для: выбор звукового события из списка кандидатов · ответы на вопросы о содержании аудиозаписи · классификация коротких аудиофрагментов
Экспериментальная мультимодальная модель Prem Research для анализа текста, изображений, видео и аудио с генерацией текстовых ответов и структурированных решений.
Подходит для: ответы на вопросы по изображениям и видеокадрам · анализ аудиозаписей и ответы по их содержанию · совместный анализ текста и медиафайлов
Конвертированная для MLX мультимодальная модель Qwen2.5-Omni-3B для диалоговой генерации текста.
Подходит для: диалоговые ответы на текстовые запросы · запуск Qwen2.5-Omni на системах с поддержкой MLX · эксперименты с мультимодальной базовой моделью Qwen
MBG 1.0 — экспериментальный прототип языковой модели для генерации текста и проверки разреженной архитектуры со смесью экспертов.
Подходит для: генерация текста в экспериментальных задачах · проверка маршрутизации между экспертами MoE · исследование малых языковых моделей
Дообученная модель Qwen3 для выравнивания готового текста с аудио и получения временных меток слов или символов на 112 языках.
Подходит для: получение временных меток слов для субтитров · синхронизация текста с речью при создании дубляжа · разметка произнесённых слов для караоке
Компактная мультимодальная модель для диалога и анализа текста, изображений, аудио и видео с текстовыми или речевыми ответами.
Подходит для: голосовой диалог с потоковыми ответами · распознавание и понимание речи · ответы на вопросы по изображениям