Мультимодальная модель Z.ai для диалогов, анализа изображений, программирования и агентных задач.

Подходит для: ответы на вопросы по изображениям · описание и анализ визуальных материалов · помощь с программированием

Пакет квантованной GGUF-модели Qwen3 для локальной и распределённой генерации текста и диалогов через Mesh LLM.

Подходит для: локальный запуск чат-модели на собственном оборудовании · распределённый вывод модели между несколькими компьютерами · генерация текста через API, совместимый с OpenAI Chat Completions

VideoMAEv2-Huge — самоконтролируемая видеомодель для извлечения признаков и классификации видео.

Подходит для: извлечение признаков из видеороликов · классификация видеоклипов · подготовка видеоэмбеддингов для последующего анализа

Пакет квантованной модели Qwen3 для локальной генерации текста и чата с распределённым инференсом через Mesh LLM.

Подходит для: локальный приватный чат с языковой моделью · генерация текста на собственном оборудовании · запуск модели на нескольких машинах через Mesh LLM

Крупная видеомодель VideoMAE V2 для извлечения признаков и классификации видеоматериалов.

Подходит для: извлечение признаков из видеороликов · классификация видеосодержимого · подготовка признаков видео для последующего анализа

Мультимодальная модель Abacus.AI на базе Qwen3.8-27B для многошагового использования инструментов и автоматизации задач.

Подходит для: выполнение многошаговых задач с вызовом инструментов · автоматизация рабочих процессов через агентные сценарии · управление действиями в исполняемой среде до достижения результата

Мультимодальная чат-модель OpenGVLab на 38 млрд параметров для анализа изображений и видео, визуального рассуждения и текстовых задач.

Подходит для: ответы на вопросы о содержимом изображения · сравнение и анализ нескольких изображений · понимание видеоматериалов

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

Мультимодальная модель на базе Qwen3.5-VL, которая оценивает качество и эстетику изображений и видео по шкале от 0 до 1.

Подходит для: оценка технического качества изображений · оценка эстетической привлекательности изображений · оценка воспринимаемого качества видео по кадрам

Wan2.1 VACE 1.3B — диффузионная модель для создания видео на основе изображений, доступная для запуска через Diffusers.

Подходит для: создание короткого видео на основе исходного изображения · анимация статичного изображения · подготовка видеоматериалов для творческих проектов

Зрительная модель Meta AI на базе ViT-7B извлекает плотные признаки изображений для классификации, поиска, сегментации и других задач компьютерного зрения.

Подходит для: извлечение признаков для классификации изображений · поиск похожих изображений по эмбеддингам · сегментация изображений с линейным классификатором

Мультимодальная модель TIGER-Lab оценивает качество, соответствие описанию и физическую правдоподобность видео, объясняя выставленные оценки.

Подходит для: оценка визуального качества сгенерированного видео · проверка соответствия видео текстовому запросу · оценка физической и обыденной правдоподобности видео

Зрительная модель Apple AIMv2 для извлечения векторных признаков изображений и их использования в задачах визуального поиска и сопоставления.

Подходит для: извлечение признаков изображений для поиска по визуальному сходству · построение векторного индекса изображений · сопоставление изображений с текстовыми представлениями в мультимодальной системе

Модель ViT-Large извлекает стилевые признаки изображений для сравнения стилей и атрибуции изображений из генеративных наборов данных.

Подходит для: извлечение признаков визуального стиля изображения · сравнение стилевого сходства двух изображений · поиск обучающих изображений со стилем, похожим на сгенерированное изображение

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

Мультимодальная модель Vero на базе Qwen3.5-9B для диалогового анализа изображений и визуального рассуждения.

Подходит для: ответы на вопросы по изображениям и диаграммам · решение задач STEM по визуальным данным · пространственное рассуждение по сценам и объектам

Базовая мультимодальная модель Z.ai для исследований и дальнейшей разработки систем, работающих с изображениями и текстом.

Подходит для: исследование визуально-языковых моделей · разработка приложений для вопросов и ответов по изображениям · создание мультимодальных диалоговых систем

VisionReward-Video — модель CogVLM2 Video для оценки качества и предсказания человеческих предпочтений по сгенерированным видео.

Подходит для: оценка качества сгенерированных видео · ранжирование вариантов видео по ожидаемым предпочтениям зрителей · предсказание человеческих предпочтений для видеоконтента

Зрительная модель Apple AIMv2 с 308,3 млн параметров для извлечения признаков изображений и задач визуального понимания.

Подходит для: извлечение признаков изображений для последующего анализа · поиск похожих изображений по визуальным признакам · визуальное понимание изображений в мультимодальных системах

Wan2.1-VACE-14B — диффузионная модель Wan-AI для генерации и редактирования видео с опорой на изображения и текстовые подсказки.

Подходит для: создание видео на основе исходного изображения · редактирование и преобразование видеоматериала · генерация видео по текстовым подсказкам с визуальными входными данными

VideoMAE — видеомодель на архитектуре Transformer для классификации действий и событий в роликах.

Подходит для: классификация действий в коротких видеороликах · распознавание взаимодействий с предметами в видео · автоматическая категоризация видеоклипов

Модифицированная Gemma 3 12B IT для диалогов, понимания изображений и ответов с пониженной частотой отказов.

Подходит для: диалоговые ответы на текстовые запросы · понимание изображений по текстовым инструкциям · исследование поведения языковых моделей при отказах

Квантизированная гибридная модель 10Eros-Max H3 Turbo beta4 для генерации видео по текстовым запросам в ComfyUI.

Подходит для: генерация коротких видео по текстовому описанию · создание видеоклипов из промптов в ComfyUI · эксперименты с ускоренной генерацией видео на видеокарте с 16 ГБ памяти

Мультимодальная модель Meta на 30 млрд параметров для локальных агентов, работы с инструментами, кодом и изображениями.

Подходит для: локальные агенты для многошагового выполнения задач · вызов инструментов и функций в диалоге · написание и отладка кода