Мультимодальная модель Xiaomi MiMo на 9 млрд параметров для агентных задач, программирования, кибербезопасности и анализа изображений.

Подходит для: написание и исправление кода · выполнение многошаговых агентных задач · анализ изображений в диалоге

Мультимодальная модель OpenBMB для анализа изображений, аудио и видео, а также для двустороннего голосового диалога в реальном времени.

Подходит для: ответы на вопросы по изображениям и видеозаписям · распознавание текста и разбор документов на изображениях · голосовой диалог на английском и китайском языках

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

Экспериментальная мультимодальная MoE-модель, дообученная для диалогов, рассуждений, анализа изображений и работы с инструментами.

Подходит для: решение задач по математике с пошаговыми рассуждениями · генерация и анализ программного кода · ответы на вопросы по изображениям

PersonaPlex — дообученная NVIDIA модель для потоковых англоязычных голосовых диалогов с одновременным распознаванием речи и генерацией ответа.

Подходит для: создание голосового ассистента с быстрым чередованием реплик · голосовое обслуживание клиентов · диалоги с перебиваниями и одновременной речью

Мультимодальная MoE-модель Xiaomi для генерации текста, агентных задач, программирования и анализа изображений, видео и аудио с контекстом до 1 млн токенов.

Подходит для: генерация ответов в диалоге с вызовом инструментов · выполнение многошаговых задач автономным агентом · разработка и анализ программного кода

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

MiniCPM-V 2.6 — мультимодальная модель OpenBMB на 8 млрд параметров для диалога и анализа изображений, нескольких изображений и видео.

Подходит для: ответы на вопросы о содержимом изображения · распознавание текста на изображениях и в документах · сравнение нескольких изображений в диалоге

MiniCPM-V 4.0 — мультимодальная модель OpenBMB для диалога и анализа изображений, нескольких изображений и видео, рассчитанная в том числе на локальный запуск.

Подходит для: ответы на вопросы по содержимому изображения · извлечение текста и данных из документов на изображениях · сравнение и анализ нескольких изображений

Компактная трёхслойная модель MiniLM для извлечения векторных представлений текста.

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

Базовая англоязычная модель Microsoft для извлечения речевых признаков из аудио и последующей настройки под задачи обработки речи.

Подходит для: извлечение признаков из англоязычной речи · подготовка речевых представлений для дообучения ASR · дообучение на классификацию аудиозаписей

Visformer Small — модель timm для классификации изображений ImageNet-1k и извлечения визуальных признаков.

Подходит для: классификация изображений по категориям ImageNet · получение эмбеддингов изображений для поиска похожих объектов · извлечение визуальных признаков для последующих задач компьютерного зрения

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 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

Базовая мультимодальная модель Qwen3.5 с 9 млрд параметров для дообучения и экспериментов с пониманием изображений и генерацией текста.

Подходит для: дообучение мультимодального чат-ассистента · эксперименты с пониманием изображений · генерация текста по текстовым и визуальным входам

Мультимодальная модель InternLM на базе Qwen3.5-0.8B, которая за один проход оценивает вероятности структурированных вариантов ответа, включая решения по изображениям.

Подходит для: выбор наиболее подходящего варианта по заданным критериям · оценка объектов или вариантов по шкале · бинарная классификация «да/нет» по состоянию и вопросу

PLM-1B — мультимодальная модель Meta для ответов на вопросы и детального понимания изображений и видео.

Подходит для: ответы на вопросы по содержимому изображений · извлечение текста и сведений из документов и диаграмм · описание объектов и деталей на изображении

GigaAM-v3 — семейство Conformer-моделей для распознавания русской речи, включая варианты с пунктуацией и нормализацией текста.

Подходит для: транскрибация разговоров в колл-центре · распознавание речи с фоновой музыкой · перевод русской речи в текст

Мультимодальная модель OpenGVLab на 38 млрд параметров для диалогов, визуальных вопросов и рассуждений по изображениям и тексту.

Подходит для: ответы на вопросы по содержимому изображения · решение математических задач по диаграммам и фотографиям · извлечение текста с изображений и документов

Мультимодальная модель OpenGVLab на 4,2 млрд параметров для диалога по изображениям, чтения документов и визуальных вопросов и ответов.

Подходит для: ответы на вопросы по фотографиям и изображениям · извлечение текста с изображений и документов · понимание диаграмм, графиков и инфографики

Конверсия MiniCPM-V-4.6 в формат MLX для мультимодального чата и ответов по изображениям на устройствах Apple Silicon.

Подходит для: ответы на вопросы по изображению · описание содержимого фотографии · диалог с учётом изображения

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

Предобученная мультимодальная модель Google, которая анализирует изображения вместе с текстовыми запросами и предназначена для дообучения под задачи компьютерного зрения и языка.

Подходит для: создание подписей к изображениям · ответы на вопросы об изображении · чтение текста на изображениях

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