Базовая wav2vec 2.0, предварительно обученная на аудиоречи и предназначенная для дообучения под распознавание речи.

Подходит для: подготовка основы для системы автоматического распознавания речи · дообучение распознавателя речи на размеченных аудиозаписях · обучение распознаванию речи при ограниченном объёме транскрипций

Модель Unsloth на архитектуре Llama для извлечения признаков из текста.

Подходит для: получение векторных представлений текста · подготовка признаков для последующей обработки текста · извлечение признаков через Transformers

Компактная Model2Vec-модель создаёт 768-мерные текстовые эмбеддинги для семантического поиска и сравнения предложений.

Подходит для: семантический поиск по коллекции документов · поиск релевантных фрагментов для RAG · сравнение сходства предложений

Модель BEiT-v2 на базе Vision Transformer классифицирует изображения и извлекает их векторные признаки.

Подходит для: классификация изображений по категориям · извлечение признаков изображений для поиска по сходству · создание визуального бэкбона для системы компьютерного зрения

PyTorch-порт VideoPrism LVT Base для извлечения признаков и векторных представлений из видео.

Подходит для: извлечение признаков из видеоклипов · получение векторных представлений видео для поиска · подготовка видеоданных для последующей классификации

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

Компактная мультимодальная модель для создания сопоставимых векторов текста, изображений, речи и окружающих звуков, применимых в поиске, маршрутизации и кластеризации.

Подходит для: поиск текстового описания по изображению · поиск аудиозаписей по текстовому запросу · мультимодальный поиск по тексту, изображениям и звуку

Визуальный Vision Transformer Meta AI для извлечения признаков изображений и использования их в классификации, поиске, сегментации и других задачах компьютерного зрения.

Подходит для: извлечение признаков изображений для классификатора · поиск похожих изображений по эмбеддингам · классификация изображений с линейным классификатором

Предварительно обученная вьетнамская модель BART со слоговой токенизацией для генеративных задач, включая суммаризацию текста.

Подходит для: суммаризация вьетнамских текстов · генерация текста на вьетнамском языке · дообучение модели для задач обработки вьетнамского языка

Модель Unsloth AI семейства Llama для извлечения признаков и получения представлений текста.

Подходит для: получение признаковых представлений текста · извлечение векторов для поиска по сходству · подготовка текстовых признаков для downstream-моделей

Мультимодальная модель Tencent на базе Qwen3.5-2B, создающая эмбеддинги текста, изображений, видео и визуальных документов для поиска и сопоставления.

Подходит для: поиск изображений по текстовому запросу · поиск видео по описанию · сопоставление текста и визуальных документов

Компактная трёхслойная модель MiniLM для извлечения векторных представлений текста.

Подходит для: получение эмбеддингов текстов · подготовка признаков для семантического поиска · представление текста для последующей классификации

Самоконтролируемая wav2vec2-модель, предварительно обученная на вьетнамской речи и предназначенная как акустическая основа для распознавания речи.

Подходит для: распознавание вьетнамской речи в аудиозаписях · адаптация акустической модели для вьетнамского ASR · транскрибирование вьетнамских разговоров

Дообученная wav2vec2-xls-r-300m модель для распознавания бенгальской речи и преобразования её в текст.

Подходит для: транскрибация бенгальских аудиозаписей · распознавание речи в бенгальских интервью · создание субтитров к бенгалоязычному аудио

Дискретный токенизатор Boson AI, который кодирует и восстанавливает речь, музыку и звуковые события в компактном представлении с частотой 25 кадров в секунду.

Подходит для: сжатое кодирование аудиозаписей · восстановление речи из дискретных аудиотокенов · кодирование музыки для последующей генерации или анализа

Модель wav2vec2 определяет индийский язык и английский вариант Индии по аудиозаписи речи.

Подходит для: определение языка речи перед запуском распознавания · маршрутизация звонка в службу поддержки по языку клиента · сегментация аудиозаписей по языку

Нейросетевой аудиокодек Meta AI для сжатия и восстановления речи, музыки и других аудиосигналов с низким битрейтом.

Подходит для: сжатие речи для потоковой передачи · сжатие музыки с низким битрейтом · восстановление аудио после сжатия

Многоязычная модель NLLB-200 для исследовательского перевода отдельных предложений между 200 языками, включая языки с ограниченными ресурсами.

Подходит для: перевод отдельных предложений между поддерживаемыми языками · эксперименты с машинным переводом для языков с ограниченными ресурсами · сравнение качества перевода на FLORES-200

Дообученная wav2vec2-модель для автоматического распознавания речи, оценённая на наборе AI_LIGHT_DANCE - ONSET-IDMT-MDB-2.

Подходит для: распознавание речи в аудиозаписях · экспериментальная оценка качества распознавания речи · транскрибирование аудио с использованием wav2vec2

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

Mage-VL — мультимодальная модель Microsoft на базе визуального кодировщика Mage-ViT и Qwen3-4B для понимания изображений, видео и потоковых событий.

Подходит для: ответы на вопросы по изображениям · ответы на вопросы по видеозаписям · поиск и временная локализация событий в видео

Визуальная модель Meta AI на базе ConvNeXt Small извлекает универсальные признаки изображений для поиска, классификации, сегментации и других задач компьютерного зрения.

Подходит для: поиск похожих изображений по визуальным признакам · классификация изображений с линейным классификатором · семантическая сегментация изображений

Компактная дообученная модель семейства LLaMA для генерации текста и ускорения вывода крупных LLaMA- и Vicuna-моделей в режиме спекулятивного декодирования.

Подходит для: черновая генерация токенов для спекулятивного декодирования · ускорение вывода моделей LLaMA-13B и LLaMA-33B · ускорение вывода моделей Vicuna-13B и Vicuna-33B

GroupViT — vision-language модель для zero-shot семантической сегментации изображений по текстовым названиям категорий.

Подходит для: Сегментация объектов на изображении по категориям, заданным текстом · Поиск областей изображения, соответствующих произвольным словесным меткам · Исследование zero-shot сегментации без пиксельной разметки