I.10Видео, анимация и 3D

LanguageBind_Video_FT — полностью дообученный видеоэнкодер проекта LanguageBind, разработанного авторами одноимённой работы, принятой на ICLR 2024. Он связывает видео с языковым семантическим пространством и предназначен для сопоставления видеоданных с текстовыми описаниями, в том числе для классификации видео по текстовым меткам без отдельного обучения классификатора. В карточке Hugging Face задача модели обозначена как zero-shot image classification. Модель использует архитектуру LanguageBindVideo на базе CLIPModel и распространяется в формате PyTorch. README рекомендует полностью дообученную версию как более сильную по сравнению с LoRA-вариантом LanguageBind_Video. Подход LanguageBind выравнивает модальности через язык; в этом репозитории описаны видео- и мультимодальные сценарии, однако данный чекпойнт предназначен для видео. Лицензия — MIT. Модель подходит для поиска видео по текстовым запросам и для классификации видео на основе текстовых описаний. В предоставленных материалах нет сведений о размере модели, длине контекста или конкретных поддерживаемых языках, поэтому они не указаны. Качество зависит от соответствия текстовых меток и видеоматериала; README не приводит здесь количественных результатов именно для этого чекпойнта.

Карточка модели RedHatAI/Molmo2-8B на Hugging Face совпадает с карточкой allenai/Molmo2-8B, поэтому описание составлено по ней. Molmo2-8B — открытая мультимодальная модель для понимания изображений, видео и наборов изображений, разработанная Allen Institute for AI (Ai2). Она объединяет языковую основу Qwen3-8B с визуальным энкодером SigLIP 2; каталог указывает плотную архитектуру Molmo2 и формат весов safetensors. Модель принимает визуальный материал и текстовые запросы, а ответы формулирует текстом. Модель предназначена для вопросов и ответов по изображениям и видео, описания сцен, подсчёта объектов, указания их местоположения и отслеживания объектов в видео. По данным README, она показывает сильные результаты на коротких видео, подсчёте и создании описаний, а на длинных видео конкурентоспособна. В метаданных указан английский язык; языки кроме него не подтверждены. Репозиторий распространяется по лицензии Apache-2.0. Контекстное окно в предоставленных данных не описано.

SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

VideoTemp-o3 — модель Kwai-Keye для ответов на вопросы по видео с поиском временных фрагментов, наиболее относящихся к вопросу. Она выполняет итеративное временное заземление: находит релевантный участок видео, уточняет его и формирует ответ на основе визуальных свидетельств. Модель дообучена на Qwen/Qwen2.5-VL-7B-Instruct и использует плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров; заявленный контекст составляет 128 000 токенов. Поддерживаемая задача по метаданным — video-text-to-text, язык карточки — английский. Модель предназначена для видеоаналитики и агентных сценариев, где ответ нужно связать с конкретными событиями или временными интервалами ролика. Репозиторий содержит веса Safetensors. Лицензия — MIT.

X-CLIP base-patch16 — видеоязыковая модель Microsoft для распознавания действий в видео и сопоставления видео с текстом. Она расширяет CLIP для понимания видео и обучена с учителем на наборе Kinetics-600 в контрастивном режиме на парах «видео — текст». Модель обрабатывает 16 кадров размером 224 × 224 пикселя на ролик; архитектура относится к семейству X-CLIP, веса опубликованы в формате PyTorch. Модель подходит для классификации видео с нулевым или небольшим числом примеров, обучения классификатора с учителем и поиска соответствий между видео и текстовыми описаниями. В карточке приведены результаты на задаче классификации Kinetics-600: точность top-1 85,8%, top-5 97,3%. Лицензия — MIT. Оценки относятся к указанному набору данных; карточка не описывает гарантии качества на других предметных областях и при отличающейся предобработке.

Карточка модели allenai/SAGE-MM-Molmo2-8B-SFT на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

V-JEPA 2 — видеомодель, разработанная FAIR при Meta. Она использует архитектуру VJEPA2 и предназначена для представления видео и изображений, классификации видео, поиска похожих видео и работы в качестве видеоэнкодера для визуально-языковых моделей. Для этой версии требуется подавать 64 кадра; изображение можно представить как последовательность повторяющихся кадров. Модель содержит 402,7 млн параметров и доступна в формате Safetensors для библиотеки Transformers. Модель подходит для извлечения представлений из видео и изображений, классификации видеоматериалов и поиска по видео. В карточке заявлены возможности понимания видео на основе масштабного предобучения; отдельные численные результаты для этой версии не приведены. Лицензия — MIT.

Карточка модели huyhuung/dinov3-vits16-pretrain-lvd1689m на Hugging Face совпадает с карточкой facebook/dinov3-vits16-pretrain-lvd1689m, поэтому описание составлено по ней. facebook/dinov3-vits16-pretrain-lvd1689m — визуальный энкодер семейства DINOv3, разработанного Meta AI и доступного через библиотеку Transformers. Модель относится к архитектуре Vision Transformer (ViT-S) с патчами 16×16 и обучена на веб-данных LVD-1689M; в карточке указано, что малые модели семейства дистиллированы из ViT-7B. Размер ViT-S — 21 млн параметров, размерность эмбеддингов — 384, используются четыре регистрационных токена и RoPE. Модель принимает изображение и извлекает признаки: токен класса, токены патчей и регистрационные токены. Полученные представления предназначены для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения, в том числе с простыми классификаторами поверх замороженных признаков. Модель рассчитана на универсальное визуальное представление и не требует дообучения для многих сценариев; размер изображения должен быть кратен 16, иначе оно обрезается до ближайшего меньшего размера, кратного размеру патча. В карточке отмечено, что качество признаков может различаться между географическими регионами и категориями дохода, а дообучение способно усилить смещения, связанные с метками. Модель распространяется по лицензии DINOv3 License (в метаданных обозначена как other); перед использованием следует проверить её условия.

Карточка модели Tony-00316/dinov3-vits16-pretrain-lvd1689m на Hugging Face совпадает с карточкой facebook/dinov3-vits16-pretrain-lvd1689m, поэтому описание составлено по ней. facebook/dinov3-vits16-pretrain-lvd1689m — визуальный энкодер семейства DINOv3, разработанного Meta AI и доступного через библиотеку Transformers. Модель относится к архитектуре Vision Transformer (ViT-S) с патчами 16×16 и обучена на веб-данных LVD-1689M; в карточке указано, что малые модели семейства дистиллированы из ViT-7B. Размер ViT-S — 21 млн параметров, размерность эмбеддингов — 384, используются четыре регистрационных токена и RoPE. Модель принимает изображение и извлекает признаки: токен класса, токены патчей и регистрационные токены. Полученные представления предназначены для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения, в том числе с простыми классификаторами поверх замороженных признаков. Модель рассчитана на универсальное визуальное представление и не требует дообучения для многих сценариев; размер изображения должен быть кратен 16, иначе оно обрезается до ближайшего меньшего размера, кратного размеру патча. В карточке отмечено, что качество признаков может различаться между географическими регионами и категориями дохода, а дообучение способно усилить смещения, связанные с метками. Модель распространяется по лицензии DINOv3 License (в метаданных обозначена как other); перед использованием следует проверить её условия.

unsloth/ERNIE-Image-Turbo-GGUF — GGUF-квантизированная версия модели ERNIE-Image-Turbo, разработанной командой ERNIE-Image компании Baidu и подготовленной Unsloth. Это модель генерации изображений по текстовому описанию, основанная на семействе одно-поточных Diffusion Transformer (DiT) и оптимизированная для быстрого вывода всего за 8 шагов диффузии. Модель предназначена для создания изображений по сложным инструкциям, включая реалистичные фотографии, дизайн-ориентированные изображения и стилизованные сцены. Она особенно хорошо подходит для постеров, инфографики, комиксов, раскадровок, много-панельных композиций и других задач, где важны корректное размещение объектов, структура изображения и читаемый текст. Заявлены сильные возможности следования многоэлементным инструкциям, рендеринга плотного и длинного текста, а также генерации изображений с заданной композицией. Ключевая особенность этой версии — квантизация в формате GGUF с использованием методологии Unsloth Dynamic 2.0: важные слои переведены в более высокую точность для сохранения качества. По данным README, компактный размер позволяет запускать модель на потребительских GPU с 24 ГБ видеопамяти. Точные параметры модели, поддерживаемые языки и размер контекстного окна не указаны. Поскольку это квантизированная версия, характеристики качества и совместимость могут зависеть от используемого рантайма; в README упоминаются инструменты ComfyUI-GGUF. Модель распространяется по лицензии Apache-2.0.

Free-Image-Generation — модель генерации изображений по текстовому описанию, созданная на основе Stable Diffusion 1.5 и дообученная слиянием нескольких модулей LoRA. Репозиторий содержит компоненты Diffusers: текстовый энкодер, U-Net, VAE, токенизатор и планировщик диффузии; размер модели по README — 1,07 млрд параметров. Модель предназначена для создания изображений по англоязычным текстовым запросам. Авторы заявляют, что сгенерированные изображения распространяются на условиях CC0, а веса базовой модели унаследовали лицензию CreativeML OpenRAIL-M; модули LoRA указаны как CC0-1.0. Для генерации рекомендуется CUDA-совместимый GPU. Качество результатов зависит от формулировки запроса и возможностей базовой архитектуры Stable Diffusion 1.5.

aufklarer/Qwen3-ForcedAligner-0.6B-8bit — 8-битная версия Qwen3-ForcedAligner-0.6B, подготовленная для инференса через MLX на компьютерах Apple Silicon. Модель принимает аудио и соответствующий текст и за один проход без авторегрессивной генерации определяет временные метки слов. В README также описаны аудиоэнкодер на 24 слоях и текстовый декодер на 28 слоях; декодер квантизирован до 8 бит с размером группы 64. Модель предназначена для синхронизации расшифровки с речью, например для разметки субтитров и подготовки временных меток слов. В метаданных перечислены английский, китайский, японский, корейский, немецкий, французский, испанский, итальянский и русский языки. Модель распространяется по лицензии Apache-2.0. Для работы требуется аудиозапись и текст; точность и ограничения в доступной карточке не описаны.

Stable Diffusion v1-2 — модель генерации изображений по текстовому описанию, разработанная CompVis. Это латентная диффузионная модель, опубликованная в формате Diffusers и PyTorch; репозиторий также содержит веса Safetensors. Чекпойнт продолжает обучение Stable Diffusion v1-1: его дообучали 515 тысяч шагов при разрешении 512×512 на отфильтрованной эстетически оценённой подвыборке LAION-2B. Модель предназначена для создания изображений по текстовым запросам, включая фотореалистичные изображения. Обучающие данные описаны как подмножество LAION-2B-en, поэтому основная языковая ориентация — английский. В README приведена оценка на случайных запросах из COCO2017 при разрешении 512×512; она не была оптимизирована для метрики FID. Модель распространяется по лицензии CreativeML Open RAIL-M. Она генерирует изображения из текста; качество и соответствие результата запросу зависят от формулировки запроса и настроек генерации.

VC-Inspector-7B — мультимодальная модель Dipta007 для оценки подписей к видео без эталонной подписи, с акцентом на фактическую точность. Она принимает визуальный материал и подпись, выдаёт оценку качества от 1 до 5 и текстовое объяснение, отмечая возможные ошибки в объектах и действиях. Модель основана на Qwen/Qwen2.5-VL-7B-Instruct с 7,1 млрд параметров: визуальный энкодер и проектор заморожены, языковая часть дообучена с помощью LoRA на синтетическом наборе из 44 тысяч пар ActivityNet-FG-It. Архитектура Qwen2.5-VL поддерживает изображения и видео, а заявленный размер контекста составляет 128 000 токенов. Модель предназначена для проверки подписей к видео и изображений, в том числе для оценки наборов данных и сравнения вариантов описания. В README сообщается о результатах на нескольких бенчмарках, однако они не гарантируют аналогичного качества на других данных. Оценка сосредоточена прежде всего на правильности объектов и действий: атрибуты, пространственные отношения и точный временной порядок явно не моделируются. Обучение использовало синтетические подписи и псевдооценки; вычислительные затраты выше, чем у метрик на основе эмбеддингов. Лицензия — Apache-2.0.

facebook/vjepa2-vitg-fpc64-384-ssv2 — модель классификации видео, разработанная FAIR подразделения Meta на основе V-JEPA 2. Это вариант ViT-g с разрешением 384 и классификационной головой, дообученный на наборе Something-Something-V2; число параметров составляет 1,3 млрд. Модель предназначена для присвоения видео меток классов и понимания действий и событий в видеороликах. Модель принимает видео и выдаёт классовые предсказания. Она использует архитектуру VJEPA2ForVideoClassification и доступна в формате safetensors для библиотеки Transformers. Лицензия — MIT. Карточка не приводит измерений качества или подробностей о поддерживаемых языках; применимость к другим наборам классов может требовать дополнительной настройки.

X-CLIP base с размером патчей 16 — видеоязыковая модель Microsoft, представленная в работе Ni et al. «Expanding Language-Image Pretrained Models for General Video Recognition». Она расширяет CLIP для понимания видео и обучена контрастивно на парах видео и текста; эта версия обучалась в few-shot режиме с K=8 на UCF101. Модель предназначена для классификации видео в zero-shot, few-shot и supervised сценариях, а также для поиска соответствия между видео и текстом. При обучении использовались 32 кадра на видео с разрешением 224×224. В README указана точность top-1 88,3% на оценивании, однако подробности протокола оценки не приведены. Модель принимает видео и текстовые описания, выдаёт оценки их соответствия и подходит для извлечения признаков при видео-языковых задачах. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Обучение на UCF101 и few-shot настройка ограничивают основания для переноса опубликованной точности на другие наборы данных и сценарии.

X-CLIP — видеоязыковая модель семейства CLIP, разработанная Microsoft Research и представленная Ni et al. Это базовая версия с патчами 16×16, обученная на наборе Kinetics-400 контрастным способом на парах видео и текста. Для каждого видео при обучении использовались 32 кадра разрешением 224×224. Модель сопоставляет описание с видео и предназначена для классификации видео без дополнительного обучения, классификации с несколькими примерами или с учителем, а также поиска видео по тексту. Она может оценивать соответствие текста заданному видео. В README приведены результаты zero-shot классификации: top-1 accuracy 44,6% на HMDB-51, 72,0% на UCF-101 и 65,2% на Kinetics-600. Входные данные включают видео и текстовые описания, выход — оценки соответствия, используемые для классификации или поиска. Карточка указывает английский язык. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Результаты зависят от набора данных и подготовки кадров; базовая модель может уступать специализированным версиям, дообученным под конкретную задачу.

X-CLIP — базовая модель семейства CLIP для понимания видео и текста, разработанная Microsoft и представленная Ni и соавторами. Она обучена контрастивным способом на парах «видео–текст» и полностью контролируемым образом на наборе Kinetics-400. Видеоклип обрабатывается по 8 кадрам с разрешением 224×224; модель использует архитектуру X-CLIP с визуальными патчами размером 32 пикселя. Модель предназначена для классификации видео с нулевым или малым числом примеров, а также для классификации с учителем и поиска соответствий между видео и текстом. Она может оценивать, насколько текст подходит к видео; для Kinetics-400 указана точность top-1 80,4% и top-5 95,0%. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

Это четырёхбитная версия Qwen2.5-VL-3B-Instruct-abliterated, преобразованная сообществом mlx-community в формат MLX из huihui-ai/Qwen2.5-VL-3B-Instruct-abliterated с помощью mlx-vlm 0.1.13. В основе лежит дообученная Qwen/Qwen2.5-VL-3B-Instruct — компактная плотная мультимодальная модель Alibaba с 3,1 млрд параметров и контекстом до 128 000 токенов. Модель предназначена для диалогового анализа изображений и видео с ответами на естественном языке; также поддерживает интерфейс вызова инструментов. Формат MLX и 4-битное представление рассчитаны на запуск на устройствах Apple с MLX. Метаданные указывают английский язык. Лицензия в предоставленных данных не указана.

Stable Diffusion 2 — модель генерации изображений по текстовому описанию, разработанная Робином Ромбахом и Патриком Эссером. Репозиторий является зеркалом устаревшей модели Stability AI и не связан с этой организацией. Это латентная диффузионная модель с фиксированным текстовым энкодером OpenCLIP-ViT/H; она продолжает обучение Stable Diffusion 2 Base, в том числе на изображениях 768×768. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Модель подходит для создания иллюстраций, концептов и изображений для творческих и образовательных инструментов. Она лучше работает с английскими запросами; качество генерации зависит от формулировки и не гарантирует точного следования сложным пространственным отношениям. Ограничения включают слабую генерацию читаемого текста, несовершенную фотореалистичность и возможные ошибки в изображении лиц и людей. Обучающие данные содержали отфильтрованные материалы LAION-5B, а модель может воспроизводить социальные и культурные предубеждения. Лицензия — CreativeML Open RAIL++-M License.

Stable Diffusion v1-3 — модель латентной диффузии для генерации и изменения изображений по текстовым запросам, разработанная Робином Ромбахом и Патриком Эссером. Она использует предварительно обученный текстовый энкодер CLIP ViT-L/14 и предназначена для творческих, дизайнерских и образовательных инструментов, а также исследований генеративных моделей. Чекпойнт основан на Stable Diffusion v1-2 и дообучен на 195 тысячах шагов при разрешении 512×512 с данными laion-improved-aesthetics; в репозитории представлены веса Diffusers, PyTorch и Safetensors. Модель лучше работает с английскими запросами. Она не всегда создаёт фотореалистичные изображения, плохо воспроизводит читаемый текст и сложные пространственные отношения; лица и люди могут выглядеть некорректно. Обучающие данные включали взрослый контент, возможны смещения и запоминание изображений, поэтому для прикладного развёртывания важны меры безопасности. Лицензия CreativeML OpenRAIL-M устанавливает ограничения на использование и распространение модели.

aslakey/text_overlay_detection — модель классификации изображений на базе Dinov2 with Registers, опубликованная пользователем aslakey. Она определяет, присутствует ли на изображении наложенный текст: субтитры, титры, водяные знаки, рекламные сообщения или поясняющие подписи. Модель обучена на 2 тысячах пар изображений, размеченных с помощью VLM и затем вручную; модифицированный препроцессор отключает центральное кадрирование, чтобы учитывать текст в углах изображения. Модель предназначена для отбора изображений с выжженным текстом при подготовке данных для генерации изображений и видео, очистки рекламных креативов и предварительной обработки данных для сравнения изображений или создания пар для генерации оформления заголовков. В README указаны precision, recall и F1-score 0,97–0,99 для классов «есть наложенный текст» и «нет наложенного текста» на использованной оценке. Размер модели — 402,7 млн параметров; веса опубликованы в формате safetensors для Transformers. Лицензия и языковая привязка метками модели не подтверждены; модель классифицирует наличие текста, а не распознаёт его содержание.

Keye-VL-2.0-30B-A3B-GGUF — мультимодальная модель семейства Keye, разработанная командой Kwai Keye. Она предназначена для обработки изображений, видео и текста, прежде всего для понимания длинных видеозаписей, временной локализации событий, OCR, анализа диаграмм и таблиц, визуального вопросно-ответного взаимодействия и мультимодального рассуждения. Модель также ориентирована на агентские сценарии: работу с кодом, инструментами, поиском, репозиториями и визуальной самопроверкой. Модель относится к 30B-классу и распространяется в формате GGUF с вариантами квантования BF16, F16, Q8_0 и Q4_K_M. В архитектуре используются разреженное внимание DSA (DeepSeek Sparse Attention), целевая агрегация признаков, параллелизм ViT-LM и оптимизированные вычислительные ядра, что предназначено для эффективной работы с длинными последовательностями. Заявлена поддержка контекста до 256K токенов и анализа видео продолжительностью до часа. В README явно указан английский язык; сведения о полноценной поддержке других языков отсутствуют. Сильными сторонами являются длинноконтекстное понимание видео, точная временная локализация, мультимодальное рассуждение и встроенные возможности для агентских задач. Ограничениями выступают высокие требования к ресурсам: размер файлов варьируется от 29 ГБ для Q8_0 до 58 ГБ для F16, а для работы с длинными видео и контекстом потребуется значительный объём памяти. Условия использования определяются лицензией Apache-2.0.

Ming-flash-omni 2.0 — мультимодальная модель семейства Ling-2.0 от InclusionAI с архитектурой Mixture-of-Experts: 100 млрд параметров суммарно и 6 млрд активных. Она принимает изображения, текст, видео и аудио, а генерирует текст, изображения и аудио; в метаданных также заявлен интерфейс для вызова инструментов. Модель предназначена для диалога и задач, где нужно переключаться между модальностями: анализа изображений и видео, распознавания речи, синтеза речи и музыки, генерации и редактирования изображений. В README отдельно отмечены распознавание растений, животных и культурных объектов, клонирование голоса с нулевым примером и управление характеристиками звучания, а также удаление объектов и композиция сцен. В README заявлены потоковый видеодиалог, распознавание речи, включая диалектную речь, и генерация изображений с управлением. Метаданные указывают английский язык. Модель опубликована по лицензии MIT. Заявления о лидерстве в бенчмарках и качестве приведены авторами модели; независимые результаты в предоставленных данных отсутствуют.

Ming-flash-omni Preview — мультимодальная модель от разработчиков семейства Ming, построенная на разреженной MoE-версии Ling-Flash-2.0. В модели заявлено 100 млрд параметров, из которых активны около 6 млрд на токен; она поддерживает входные изображения, текст, видео и аудио, а генерирует изображения, текст и аудио. Модель предназначена для мультимодального диалога и генерации: понимания изображений и видео, распознавания речи с учётом контекста и диалектов, синтеза речи, генерации и редактирования изображений. В карточке отдельно отмечены сегментация как часть редактирования, улучшенное сохранение сцены и идентичности при правках изображений, а также распознавание 15 китайских диалектов. Архитектура — разреженная Mixture-of-Experts; доступны интерфейсы чата и вызова инструментов. Модель опубликована как Preview, поэтому заявленные результаты стоит рассматривать с учётом предварительного статуса версии. Лицензия — MIT.

InfiniteVL-LongSFT — мультимодальная модель семейства InfiniteVL, разработанная исследователями Huazhong University of Science and Technology и Horizon Robotics. Она предназначена для диалогового понимания изображений и видео, ответов на визуальные вопросы, распознавания текста, интерпретации диаграмм и описания сцен. В README указана архитектура с визуальным энкодером на основе Qwen2.5-VL, проекционным MLP и декодером, который сочетает Sliding Window Attention и Gated DeltaNet. Модель содержит 3,1 млрд параметров, использует формат safetensors и библиотеку Transformers. В метаданных указан контекст 128 000 токенов; авторы также сообщают об экспериментах на последовательностях свыше 500 000 токенов, постоянном объёме памяти для длинного контекста и потоковой обработке видео. README описывает двухэтапное обучение, включая дистилляцию от Qwen2.5-VL и последующее instruction SFT, но точная связь именно этого чекпойнта с базовой моделью в метаданных не приведена. Лицензия — Apache-2.0. Заявления о скорости и качестве основаны на результатах авторов и зависят от сценария и оборудования.

TowerVideo-2B — мультимодальная языковая модель семейства TowerVision от utter-project. Она принимает текст, изображения и видео и генерирует текст; архитектура объединяет Tower-Plus на 2 млрд параметров с визуальным энкодером SigLIP2-patch14-384 через мультимодальный адаптер. Модель поддерживает контекст до 8192 токенов и предназначена для многоязычного описания и понимания визуального содержимого, ответов на вопросы, суммаризации и перевода с учетом контекста изображения или видео. Модель обучена на видео- и текстовой части набора VisionBlocks, включающей видеоданные LLaVA-Video. В карточке заявлена поддержка более 20 языков и диалектов; среди перечисленных — английский, немецкий, испанский, французский, китайский, японский, хинди, русский и украинский. Для запуска авторы рекомендуют точность bfloat16. Лицензия CC-BY-NC-SA-4.0 разрешает использование на некоммерческих условиях с атрибуцией и распространением производных материалов на тех же условиях.

X-CLIP — видеоязыковая модель Microsoft на архитектуре XCLIP, основанная на CLIP и обученная с учителем на наборе Kinetics-600. Она сопоставляет видео и текст и предназначена для классификации видео без дополнительного обучения, с небольшим числом примеров или в полностью контролируемом режиме, а также для поиска видео по текстовому описанию. Модель обрабатывает 8 кадров размером 224×224; обучение построено на контрастивном сопоставлении пар «видео — текст». Для оценки на Kinetics-600 указаны точность top-1 88,3% и top-5 97,7%. Репозиторий содержит веса PyTorch, лицензия — MIT.

Карточка модели allenai/SAGE-MM-Qwen3-VL-8B-SFT_RL на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

InternVL3-2B-Instruct — мультимодальная модель с открытыми весами от OpenGVLab, версия supervised fine-tuning семейства InternVL3 без этапа MPO. Она построена по схеме ViT-MLP-LLM: использует визуальный энкодер InternViT-300M-448px-V2_5, MLP-проектор и языковую часть на базе Qwen2.5-1.5B. Модель принимает текст и изображения, включая несколько изображений в одном запросе, и предназначена для диалога и ответов на вопросы по визуальному содержимому. Сценарии применения включают понимание изображений и видео, мультимодальные рассуждения, работу с научными диаграммами, GUI и 3D-сценами, а также использование инструментов. Динамическое разбиение изображений на тайлы 448×448 и Variable Visual Position Encoding помогают обрабатывать изображения разного размера и длинные мультимодальные последовательности. Карточка заявляет многоязычную поддержку; точный список языков и размер контекста не приведены. Модель распространяется по лицензии Apache-2.0. Это SFT-версия без MPO; README рекомендует обычную версию InternVL3-2B тем, кто не уверен, какую выбрать. Как и другие мультимодальные модели, качество ответов зависит от изображения, запроса и выбранного контекста; обработка нескольких изображений увеличивает число входных токенов.