ViGoRL-7b-Spatial — дообученная мультимодальная модель Qwen2.5-VL для пространственного рассуждения и визуального поиска с привязкой рассуждений к областям изображения.
Подходит для: пространственный анализ изображений · ответы на вопросы о расположении объектов на изображении · визуальный поиск объектов и областей
Spatial-SSRL-7B — дообученная мультимодальная модель для анализа пространственных отношений и ответов на вопросы об изображениях и видео.
Подходит для: определение взаимного расположения объектов на изображении · ответы на вопросы о пространстве и геометрии сцены · анализ пространственных отношений в видеокадрах
Дообученная мультимодальная модель Qwen3-VL для пространственного рассуждения и анализа переходов состояния мира по изображениям и видео.
Подходит для: Ответы на вопросы о пространственном расположении объектов на изображении · Анализ движения и изменения сцены в видео · Рассуждение о перемещении наблюдателя и эго-движении
Производная модели gsarch/ViGoRL-3b-Spatial. Дообученная мультимодальная модель Qwen2.5-VL для пространственного рассуждения и привязки ответов к областям изображения.
Подходит для: Решение задач пространственного анализа изображений · Поиск объектов и областей по текстовому запросу · Определение положения объектов относительно друг друга
Дообученная мультимодальная модель Qwen2.5-VL для пространственного рассуждения и привязки ответов к областям изображения.
Подходит для: Решение задач пространственного анализа изображений · Поиск объектов и областей по текстовому запросу · Определение положения объектов относительно друг друга
Мультимодальная модель kagakouko на базе Qwen3-VL-8B-Instruct для пространственного рассуждения по изображениям и видео.
Подходит для: ответы на вопросы о пространственных отношениях в изображении · анализ перемещений наблюдателя в видеопоследовательности · отслеживание изменений состояния физической сцены
Мультимодальная модель SpatialAxiom на базе Qwen3.5 для пространственного рассуждения по изображениям и видео.
Подходит для: определение взаимного расположения объектов на изображении · оценка размеров и геометрии помещения по кадру · понимание перспективы и пространственных отношений
Дообученная версия OpenVLA 7B предсказывает действия робота по изображению и текстовой инструкции для пространственных задач в симуляторе LIBERO.
Подходит для: управление роботом в симуляторе LIBERO по текстовой инструкции · предсказание действий робота по изображению сцены · оценка выполнения пространственных задач LIBERO-Spatial
Дообученная мультимодальная модель Qwen2.5-VL для пространственного рассуждения о состоянии мира и движении по изображениям и видео.
Подходит для: ответы на вопросы о пространственных отношениях на изображении · анализ изменений сцены в видеопоследовательности · оценка движения наблюдателя по кадрам
SpatialAxiom-9B — мультимодальная модель на базе Qwen3.5-9B для пространственного рассуждения по изображениям и видео.
Подходит для: определение взаимного расположения объектов в сцене · оценка размеров и планировки помещения по изображению · сопоставление объектов между несколькими ракурсами
Мультимодальная модель InternLM на базе Qwen3-VL-4B, дообученная для пространственного понимания изображений и визуальных вопросов и ответов.
Подходит для: Определение взаимного расположения объектов на изображении · Ответы на вопросы о пространственных отношениях в сцене · Анализ содержимого RGB- и RGB-D-изображений
Дообученная мультимодальная модель Qwen2.5-VL для диалогового анализа видео и ответов на вопросы о пространственной информации в сценах.
Подходит для: ответы на вопросы о пространственных отношениях в видеосценах · анализ расположения объектов в видео · диалоговый разбор визуальных сцен с пространственным содержанием
RynnBrain 1.1-2B — дообученная мультимодальная модель для пространственного понимания изображений и видео, локализации объектов и рассуждений в сценариях embodied AI.
Подходит для: Определение объектов, их атрибутов и взаимного расположения в сцене · Локализация указанного объекта по текстовой инструкции на изображении · Понимание пространственной структуры видеосцены
Мультимодальная модель на базе Qwen2.5-VL-3B-Instruct для пространственного рассуждения по изображениям и видео.
Подходит для: ответы на вопросы о пространственном расположении объектов на изображении · анализ перемещений и изменений сцены в видео · рассуждение о движении наблюдателя относительно окружающей среды
Мультимодальная модель Qwen3-VL на 8 млрд параметров для диалога, анализа изображений и видео, OCR и визуального рассуждения.
Подходит для: ответы на вопросы по изображениям · распознавание текста и разбор структуры документов на изображениях · поиск событий и их временных меток в видео
Мультимодальная модель InternLM на базе Qwen2.5-VL-3B-Instruct для ответов на вопросы о пространственных отношениях на изображениях.
Подходит для: определение взаимного расположения объектов на изображении · ответы на вопросы о сцене и положении предметов · анализ пространственных отношений между объектами
Дообученный чекпойнт OpenVLA для предсказания действий робота по изображениям и инструкциям в пространственных задачах LIBERO.
Подходит для: управление роботом по визуальному наблюдению и текстовой инструкции · генерация последовательности действий для пространственных задач LIBERO · эксперименты с vision-language-action моделями
Производная модели Diankun/Spatial-MLLM-subset-sft. Дообученная мультимодальная модель Qwen2.5-VL для диалогового анализа видео и ответов на вопросы о пространственной информации в сценах.
Подходит для: ответы на вопросы о пространственных отношениях в видеосценах · анализ расположения объектов в видео · диалоговый разбор визуальных сцен с пространственным содержанием
Производная модели Diankun/Spatial-MLLM-subset-sft. Дообученная мультимодальная модель Qwen2.5-VL для диалогового анализа видео и ответов на вопросы о пространственной информации в сценах.
Подходит для: ответы на вопросы о пространственных отношениях в видеосценах · анализ расположения объектов в видео · диалоговый разбор визуальных сцен с пространственным содержанием
Мультимодальная модель Qwen3-VL на 4 млрд параметров для диалога, анализа изображений и видео, OCR и визуального рассуждения.
Подходит для: ответы на вопросы по изображениям · извлечение текста и структуры из сканов и фотографий · поиск событий и анализ содержимого видео
Мультимодальная модель Ai2 для понимания сцен, пространственных отношений, нескольких изображений и временной последовательности в видео.
Подходит для: Ответы на вопросы о содержимом изображения · Определение точного положения объекта на изображении · Сопоставление объектов и сцен на нескольких изображениях
Небольшая Vision Transformer-модель timm для извлечения пространственных признаков из изображений размером 512 пикселей.
Подходит для: поиск визуально похожих изображений · извлечение признаков для классификации изображений · индексация изображений в векторной базе
Дообученная мультимодальная модель Qwen3-VL-2B для пространственного понимания изображений и видео, локализации объектов и ответов на вопросы о сценах.
Подходит для: ответы на вопросы о сценах от первого лица · подсчёт объектов на изображениях и в видео · распознавание текста в видеосценах
Визуально-языковая модель на базе Qwen2.5-VL для пространственного восприятия и рассуждений по изображениям и видео.
Подходит для: подсчёт объектов на изображении · определение взаимного расположения объектов · оценка относительных расстояний и размеров объектов