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
Компактная мультимодальная модель OpenGVLab для диалога по изображениям и видео, понимания документов, графиков и визуального текста.
Подходит для: ответы на вопросы по изображению · извлечение текста из документов и изображений · понимание графиков и инфографики
Мультимодальная модель Qwen на 27 млрд параметров с ослабленными отказами для диалогов и анализа изображений.
Подходит для: диалоги с уменьшенным числом отказов · ответы на вопросы по изображениям · описание и анализ изображений
Базовая мультимодальная модель Qwen3.5 с 9 млрд параметров для дообучения, экспериментов и задач понимания изображений.
Подходит для: дообучение мультимодального ассистента · эксперименты с обучением в контексте · ответы на вопросы по изображениям после адаптации
Предобученная мультимодальная модель Qwen с 2 млрд параметров для экспериментов и дообучения в задачах понимания изображений и текста.
Подходит для: дообучение мультимодального ассистента на собственных данных · эксперименты с ответами на вопросы по изображениям · исследование визуального понимания и рассуждений
Инструкционная мультимодальная модель Meta для диалогов, понимания изображений и ответов на вопросы о них.
Подходит для: диалог с ассистентом на поддерживаемых языках · ответы на вопросы по изображению · создание подписей и описаний изображений
Мультимодальная модель Qwen3.5 на 4 млрд параметров для диалога, понимания изображений, рассуждений и вызова инструментов.
Подходит для: ответы на вопросы по изображениям · диалог с поддержкой визуального контекста · анализ длинных текстовых и визуальных запросов
Плотная мультимодальная модель Qwen на 27 млрд параметров для диалогов, анализа изображений и видео, программирования и многошаговых задач.
Подходит для: ответы на вопросы по изображениям и диаграммам · извлечение и анализ информации из документов · понимание содержания видеозаписей
Мультимодальная модель Qwen с разреженной MoE-архитектурой для диалога, анализа изображений и агентных задач с длинным контекстом.
Подходит для: ответы на вопросы по изображениям · диалог с вызовом инструментов · выполнение агентных задач в программировании
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
Открытая мультимодальная модель Qwen с 35 млрд параметров для диалогов, агентного программирования и анализа изображений.
Подходит для: написание и изменение кода в репозитории · анализ структуры проекта и поиск причин ошибок · создание веб-интерфейсов по описанию
Мультимодальная модель OpenGVLab на 2,2 млрд параметров для диалогов, ответов на вопросы и анализа изображений и документов.
Подходит для: ответы на вопросы по изображению · извлечение сведений из документов и сканов · распознавание текста на изображениях
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 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 версия Qwen3-VL на 8 млрд параметров с ослабленными отказами для диалогов и анализа изображений.
Подходит для: ответы на вопросы о содержимом изображений · описание изображений в диалоге · визуальный анализ с меньшим числом отказов
Мультимодальная модель OpenGVLab для диалогов и генерации ответов по тексту, изображениям и видео.
Подходит для: описание изображений и ответы на вопросы о них · анализ кадров и содержания видео · диалог с чередованием текста, изображений и видео
Мультимодальная модель Kwai-Keye на базе Qwen2.5-VL для анализа изображений высокого разрешения и сложных визуальных задач с использованием исполняемого кода.
Подходит для: анализ изображений высокого разрешения по текстовым инструкциям · решение сложных задач визуального рассуждения · выполнение вычислений при анализе изображений
Мультимодальная чат-модель на 34 млрд параметров, которая отвечает на вопросы об изображениях и выполняет визуальные инструкции.
Подходит для: ответы на вопросы о содержимом изображения · описание и подпись к изображению · диалог с изображениями
LocateAnything-3B — мультимодальная модель NVIDIA для обнаружения объектов и привязки текстовых запросов к областям и точкам на изображениях.
Подходит для: поиск объектов на изображении по названию или описанию · обнаружение множества объектов в загруженных сценах · выделение области изображения, соответствующей фразе
GLM-4.5V — мультимодальная модель ZhipuAI для анализа изображений, видео, документов и графических интерфейсов с визуальными рассуждениями и локализацией объектов.
Подходит для: ответы на вопросы по изображениям и их содержимому · распознавание событий в длинных видео · извлечение данных из графиков и длинных документов
Мультимодальная модель Moonshot AI для диалогов, визуального анализа и рассуждений по изображениям и видео.
Подходит для: ответы на вопросы по изображению · решение математических задач по визуальным данным · анализ и понимание видеоматериалов
Предобученная мультимодальная модель Google, которая принимает изображение и текст и служит основой для дообучения под задачи компьютерного зрения и визуального языка.
Подходит для: дообучение модели для описания изображений · ответы на вопросы об изображении · чтение текста на изображениях
Мультимодальная модель DeepSeek для диалогов, рассуждений и агентных задач с изображениями и контекстом до одного миллиона токенов.
Подходит для: анализ изображений в диалоге · выполнение агентных задач с длинным контекстом · помощь в программировании и работе с кодовыми базами
Мультимодальная модель AutoTrust на базе Qwen для визуального анализа, ранжирования и принятия решений с вероятностными оценками.
Подходит для: ответы на вопросы по диаграммам и инфографике · извлечение и интерпретация сведений из документов на изображениях · ранжирование новостей и поисковых результатов по релевантности