IV.10Дом, личная жизнь, уход и повседневные задачи

Recipe NER — компактная модель семейства BERT для распознавания сущностей в строках ингредиентов рецептов. Разработчик обучил её с нуля на английских примерах с BIO-разметкой; токенизатор WordPiece обучен на той же обучающей выборке, поэтому репозиторий содержит необходимые компоненты для работы модели. Архитектура — BertForTokenClassification, около 988,8 тыс. параметров; максимальная длина контекста составляет 98 токенов. Модель размечает названия ингредиентов, количества, единицы измерения, комментарии о состоянии или подготовке ингредиента, верхние границы диапазонов и редкую метку INDEX. На тестовой выборке указаны точность сущностей 0,8715, полнота 0,8820 и F1 0,8767. Модель предназначена для извлечения структурированных данных из коротких англоязычных строк ингредиентов; лицензия в предоставленных данных не указана.

AAC Board Generator 770M (pt-BR) — компактная специализированная языковая модель для Papuguinho, разработанная для подготовки списков слов для коммуникационных досок с пиктограммами AAC и редактирования таких списков по инструкциям. Она генерирует слова по теме или ситуации, а также может добавлять и удалять пункты и подбирать указанное число новых слов. Для каждого пункта выдаёт слово, краткую грамматическую или семантическую метку и синонимы, которые помогают последующему поиску пиктограмм ARASAAC. Модель основана на Gemma 3 1B от Google и дообучена для AAC-задач на бразильском португальском. Это плотная авторегрессионная архитектура Gemma3ForCausalLM примерно с 781 млн параметров; словарь сокращён до 64 тысяч токенов. Контекст составляет 32 768 токенов, однако модель рассчитана на короткие детерминированные списки примерно из 12 пунктов. Она предназначена для запуска на CPU; карточка сообщает о генерации доски примерно за 4 секунды на четырёхъядерной машине при Q8. Модель подходит для чернового составления тематических досок и правок по запросу, но не для общего диалога, фактических ответов или работы на других языках. Возможны повторы и пункты не по теме; результат следует проверять человеку, особенно перед использованием с AAC-пользователями. Лицензия — Gemma.

rabahdev/fire-smoke-yolov8n — модель обнаружения дыма и огня на изображениях, созданная дообучением YOLOv8n на датасете D-Fire. Она использует архитектуру YOLOv8 и библиотеку Ultralytics; репозиторий содержит веса PyTorch best.pt и last.pt. Модель выделяет объекты двух классов: smoke и fire. Модель предназначена для автоматического поиска дыма и огня на отдельных изображениях, например для анализа кадров видеонаблюдения или снимков с камер. На тестовой выборке из 4 306 изображений указаны mAP50 0,754, mAP50-95 0,430 и точность 0,766; показатели mAP50-95 составляют 0,499 для дыма и 0,362 для огня. Лицензия репозитория — AGPL-3.0. Результаты зависят от условий съёмки и сходства входных изображений с обучающими данными; приведённые метрики не гарантируют обнаружение пожара в конкретной среде. Длина контекста и поддерживаемые естественные языки к этой модели компьютерного зрения не относятся.

nisuga/food_type_classification_model — модель классификации текста на базе DistilBERT, дообученная для отнесения пищевого продукта к одной из двух категорий: растительного или животного происхождения. Она принимает название продукта или список ингредиентов и выдаёт метку PLANT_BASED либо ANIMAL_BASED. Модель обучена на данных USDA FoodData Central; в карточке указана точность 0,9940 на оценочной выборке. Модель предназначена для автоматической маркировки продуктов по их названию или составу. Контекстное окно составляет 512 токенов. Опубликована в формате safetensors под лицензией Apache-2.0. Базовая модель — distilbert/distilbert-base-uncased.

OneStreamer-4B — потоковая видео-языковая модель, представленная в работе OneStreamer и дообученная на основе Qwen3-VL-4B-Instruct. Она анализирует поступающее видео по мере его появления, сохраняет временно привязанные свидетельства в памяти и выбирает подходящий момент для ответа. Модель предназначена для диалога с видеопотоком, ответов на вопросы о текущем и ранее увиденном, а также для проактивных ответов, когда данных достаточно. Модель использует мультимодальную архитектуру Qwen3-VL и принимает видеоданные и текстовые запросы, выдавая текст. В README приведены результаты на восьми бенчмарках; на агрегированных показателях трёх перечисленных наборов OneStreamer-4B превосходит базовую Qwen3-VL-4B-Instruct. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В оценках для части задач OmniMMI использовалось распознавание речи, однако README не устанавливает поддержку аудио как входной модальности самой модели.

Модель Adam-ousse/ast-esc50-finetuned-fold1 — дообученный классификатор звуков на базе Audio Spectrogram Transformer (AST), разработанный сообществом Adam-ousse. Она использует базовую модель MIT/ast-finetuned-audioset-10-10-0.4593 с заменённой классификационной головой и настроена на 50 классов набора ESC-50. Модель принимает аудио и выдаёт класс звукового события; её можно применять для распознавания бытовых, природных и других звуков из ESC-50. Размер — 113,2 млн параметров; веса сохранены в формате safetensors. В описанном эксперименте Fold 1 использовался как тестовая выборка, Fold 2 — как валидационная, остальные folds — для обучения. Указанная точность на тестовой выборке — 0,935. Для оценки по всему набору автор рекомендует обучить и проверить все пять folds и привести среднее значение. Лицензия — MIT.

bioamla/ast-esc50 — модель классификации звуков окружающей среды, разработанная на основе Audio Spectrogram Transformer (AST) и дообученная на наборе ESC-50. Она принимает аудио и относит его к одной из 50 категорий, включая звуки животных, природы, человека, бытовых приборов, городского транспорта и инструментов. Архитектура AST обрабатывает спектрограммы аудио с помощью механизма внимания, представляя их как последовательность патчей; размер модели — 113,2 млн параметров. Модель подходит для распознавания отдельных звуковых событий в аудиозаписях, например сирены, дождя, лая собаки или звонка. Она унаследовала основу от MIT/ast-finetuned-audioset-10-10-0.4593 и распространяется под лицензией BSD-3-Clause. Классификация ограничена 50 метками ESC-50, поэтому модель не предназначена для распознавания речи или произвольных звуков вне этих категорий.

Dog-Breed-120 — модель компьютерного зрения, разработанная prithivMLmods на основе google/siglip2-base-patch16-224 и дообученная для классификации изображений собак. Она использует архитектуру SiglipForImageClassification и относит изображение к одному из 121 классов, включающих породы собак, а также класс «test». Модель предназначена для распознавания пород на фотографиях: её можно использовать для помощи владельцам животных, в каталогах товаров для питомцев, образовательных приложениях и исследованиях собак. В README указана точность 86,81% на оценочном наборе; этот результат не гарантирует такую же точность на других изображениях. Модель принимает изображения и выдаёт метки классов. В метаданных указан английский язык карточки; языковая генерация не заявлена. Распространяется по лицензии Apache-2.0.

PE-Type-2-Alma-4B — дообученная VANTA Research на Gemma 3 4B IT диалоговая модель с образом заботливого и терпеливого помощника типа «Помощник» из эннеаграммы. Модель предназначена для разговорной поддержки, обсуждения отношений и практических рекомендаций, а также для исследований устойчивости заданной персоны и взаимодействия человека с ИИ. Она обучена примерно на 3 000 примерах за три эпохи с использованием LoRA ранга 16. Модель принимает текст и изображения и генерирует текст; архитектура Gemma 3 4B поддерживает визуальные диалоги, хотя карточка описывает настройку персоны преимущественно для текстовых сценариев. Указан английский язык. Репозиторий содержит веса Safetensors и GGUF F16, лицензия — Apache-2.0. Разработчик предупреждает, что модель не прошла строгую оценку точности и стабильности в эмоционально сложных ситуациях. Она может чрезмерно критиковать творческие идеи, медленно отвечать на неоднозначные запросы и наследует ограничения базовой модели, включая возможные галлюцинации и ограниченность знаний. Для STEM-задач и логических приложений модель не рекомендуется; эннеаграмма используется как схема проектирования персоны, а не как научно подтверждённая типология.

SLIP (Sensor Language-Informed Pretraining) — мультимодальная модель и метод предварительного обучения Dartmouth College для получения переносимых представлений данных с датчиков, согласованных с языком. В этом репозитории размещён вариант на основе Gemma-3-270M; модель дообучена на парах сигналов датчиков и текстовых описаний. Модель обрабатывает многомерные временные ряды с разными временными разрешениями и переменной длиной. Архитектура включает сенсорный энкодер с FlexMLP и 2D RoPE, текстовый энкодер и мультимодальный декодер. Контрастивное выравнивание сигналов и текста поддерживает извлечение признаков, а декодер позволяет генерировать текст по сигналам. Общий размер — около 220 млн параметров, из них 67 млн обучаемых; опубликованы также специализированные SFT-чекпойнты для распознавания активности и вопросов о сне. SLIP предназначена для переноса между разными сенсорными установками и задачами, включая распознавание активности, анализ сна и медицинских сигналов, а также описание и ответы на вопросы по временным рядам. В карточке приведены результаты на наборах оценки из областей активности, клинических данных и стресса. Лицензия — MIT. Заявленные метрики относятся к указанным наборам и не гарантируют качество на новых датчиках или прикладных сценариях.

StreamTTT-4B — экспериментальная видеоязыковая модель команды zeyun-zhong, основанная на Qwen3-VL-4B-Instruct и дообученная для понимания потокового видео. Архитектура сочетает скользящий KV-кэш на 4096 токенов для недавних кадров с отдельной памятью на основе test-time training, которая хранит сжатое представление более ранней истории. Модель обрабатывает видео по упорядоченным временным окнам и предназначена для вопросов о текущей сцене и событиях, произошедших ранее. Основные сценарии — анализ живого или длинного видео, ответы на вопросы о действиях и восстановление последовательности событий. В README сообщается о сравнительных результатах на StreamingBench и OVO-Bench; оценка проводилась с указанными для каждой модели протоколами ввода. Модель принимает видео и текстовые запросы, а ответы выдаёт текстом. Базовая модель поддерживает также анализ изображений. Лицензия — Apache-2.0. Память TTT является сжатой и теряет часть деталей, поэтому она не заменяет полное внимание, когда видео помещается в контекст. Свободная генерация в потоковом режиме не реализована в описанном пути оценки, а поведение на видео вне повседневных активностей, например медицинском или спортивном, не проверено. Сохраняются ограничения базовой Qwen3-VL-4B-Instruct.

Это дообученная на базе OpenAI Whisper Small модель для распознавания речи на корейском языке и преобразования четырёх региональных диалектов — канвондо, кёнсандо, чолладо и чхунчхондо — в текст на стандартном корейском. Она предназначена, в частности, для голосовых команд на устройствах IoT; при обучении использовались записи из датасета AIHub Korean Dialect Utterance. В README приведены улучшения CER относительно исходной Whisper Small для нескольких диалектов. Модель принимает аудио и выдаёт текст. В описании отмечено, что распознавание фонем улучшилось, но передача диалектной лексики и окончаний в их стандартнокорейском значении остаётся слабым местом. Диалект Чеджу не входил в обучение. Лицензия — MIT.

Stream3D-VLM-4B — мультимодальная модель для потокового понимания трехмерной сцены по видео. Она разработана авторами проекта Stream3D-VLM и дообучена на базе Qwen/Qwen2.5-VL-3B-Instruct. Модель анализирует поступающее видео по мере его трансляции и отвечает на вопросы о пространственных отношениях и изменениях сцены, не дожидаясь завершения записи или полной реконструкции сцены. В основе лежит плотная архитектура Qwen2.5-VL с 3,1 млрд параметров и контекстом до 128 000 токенов. Модуль VSFI добавляет геометрические признаки из 3D-реконструкции по мере поступления видео, а GAVC сжимает визуальные токены для ускорения обработки длинных потоков. Модель обучена управлять моментом ответа и может продолжать наблюдение, когда ответ пока не нужен. Авторы сообщают о результатах на потоковом Stream3D-Bench и офлайн-бенчмарке VSI-Bench; потоковую оценку проводили при 1 кадре в секунду. Модель предназначена для пространственного анализа видеопотока, мониторинга сцены, восприятия происходящего в реальном времени и ответов на вопросы о ранее увиденных событиях. В карточке заявлен английский язык. Репозиторий распространяется по лицензии Apache-2.0.

keremberke/yolov8m-scene-classification — модель классификации изображений на основе архитектуры YOLOv8, опубликованная пользователем keremberke. Она предназначена для определения категории сцены на изображении; в метаданных указан датасет indoor-scene-classification, поэтому модель ориентирована на классификацию интерьерных сцен. Для использования предусмотрена библиотека Ultralytics и формат PyTorch. Размер модели, перечень меток и лицензия в доступных сведениях не приведены.

Dima806 дообучил модель Google ViT Base Patch16 224 In21k для классификации изображений фруктов и овощей. Это Vision Transformer с 113,2 млн параметров, предназначенный для определения класса объекта на изображении. Модель принимает изображения и выдаёт метки классов. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache 2.0. Карточка не содержит сведений о наборе классов или качестве распознавания, поэтому их нельзя оценить по доступным данным.

FunctionGemma 270M IT — компактная открытая модель Google DeepMind, построенная на архитектуре Gemma 3 270M и специально обученная для вызова функций. Представленная версия Mungert/functiongemma-270m-it-GGUF преобразована в формат GGUF с использованием llama.cpp. Модель предназначена прежде всего для текстовых сценариев function calling и создания специализированных агентных систем, а не для обычного диалогового общения. Модель принимает текстовые запросы, инструкции, определения функций и документы, поддерживает контекст до 32K токенов и генерирует текст, включая вызовы функций. Она подходит для локального развёртывания на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре, а также для офлайн-агентов, управления приложениями и мобильными устройствами. В качестве примеров применения указаны управление игровой логикой и преобразование пользовательских команд в действия Android, например создание события календаря или включение фонарика. Небольшой размер около 270 миллионов параметров облегчает запуск на ограниченных ресурсах и обеспечивает универсальность на различном оборудовании, однако для высокой точности в конкретной предметной области рекомендуется дообучение на одно- или многошаговых специализированных данных. Без дополнительной настройки модель не предназначена для прямого диалога, а её возможности ограничены текстовой модальностью. Использование регулируется лицензией и условиями Google Gemma; для доступа к исходной модели на Hugging Face требуется принять соответствующую лицензию.

Depth-Anything-V2-Metric-Indoor-Large-hf — версия Depth Anything V2, дообученная для оценки метрической глубины на изображениях помещений. Модель впервые опубликована в этом репозитории; исходная Depth Anything V2 разработана Lihe Yang и соавторами. Чекпойнт совместим с библиотекой Transformers и использует архитектуру DPT с backbone DINOv2. Размер базовой модели Large в семействе — 335,3 млн параметров. Модель принимает изображение и предсказывает карту абсолютной глубины для внутренних сцен. Для метрической версии использованы синтетические данные Hypersim; базовая Depth Anything V2 обучалась на синтетических размеченных и реальных неразмеченных изображениях. Модель подходит для оценки глубины без дополнительной настройки на целевом изображении. Карточка не сообщает лицензию этого чекпойнта, поэтому условия его распространения и коммерческого использования по имеющимся данным определить нельзя. Предназначение модели ограничено внутренними сценами; результаты на уличных и иных существенно отличающихся данных могут быть ненадёжны.

Gemmuguinho — языковая модель Papuguinho для создания и редактирования досок альтернативной и дополнительной коммуникации (AAC/CAA) с пиктограммами на бразильском португальском языке. Она предназначена для приложений вспомогательных технологий и логопедической практики, в том числе для работы офлайн на CPU без GPU. Модель дообучена на базе Google Gemma 3 270M, суженной до португальского словаря на 64 тысячи токенов и преобразованной в архитектуру MoE с восемью экспертами и двумя активными по умолчанию. В README указано около 636 млн параметров всего и около 212 млн активных; метаданные каталога указывают 130,2 млн параметров. Контекст составляет 32 768 токенов. Модель генерирует тематические доски, обычно из 12 пиктограмм, и возвращает структурированный план изменений по командам на естественном языке. Модель специализирована на AAC-досках для детей и не предназначена для общего диалога или выдачи фактических и медицинских рекомендаций. Словарь пиктограмм отражает синтетический обучающий каталог, поэтому результаты следует проверять перед использованием. Лицензия — Gemma.

OmniCoT-R1 — мультимодальная модель на архитектуре Qwen2.5-VL, дообученная на данных с рассуждениями OmniCoT для панорамных изображений. Она предназначена для диалогового анализа визуальных данных и генерации текстовых ответов по изображениям. Модель содержит 7,1 млрд параметров, принимает текст и изображения и поддерживает контекст до 128 000 токенов. Модель создана дообучением Qwen/Qwen2.5-VL-7B-Instruct. В карточке не описаны конкретные результаты оценки или дополнительные сценарии применения. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели и у правообладателей.

PLaMo 2.1-2B-VL — компактная визуально-языковая модель Preferred Networks, построенная на instruction-tuned PLaMo 2.1-2B и предназначенная для работы на автономных устройствах и других edge-системах. Модель сочетает причинный декодер Samba-based PLaMo 2 с визуальным энкодером SigLIP2 через MLP-адаптер; динамическое разрешение изображений поддерживается разбиением на тайлы. В языковых задачах рассчитана на английский и японский языки. Модель принимает одну пару «изображение и текст» и формирует текстовый ответ. Её основные сценарии — визуальные вопросы и ответы, поиск указанного текстом объекта или человека на изображении и анализ сцен, например распознавание инструментов и обнаружение аномалий на кадрах с камер дронов и наблюдения. Версия 2B создана как лёгкий вариант для эффективного запуска на устройствах с ограниченными ресурсами, но её сценарии применения более ограничены, чем у версии 8B. Модель оптимизирована для естественных изображений, а не для OCR, чтения документов, таблиц, графиков или математических выражений. Она не поддерживает одновременную обработку нескольких изображений и может работать некорректно без пары из текста и изображения; глубокие специализированные знания не являются её целью. Распространяется по лицензии PLaMo Community License; для коммерческого использования README предписывает ознакомиться с лицензией и связаться с разработчиком.

Xenova/ast-finetuned-audioset-10-10-0.4593 — модель для классификации аудио, разработанная на основе MIT/ast-finetuned-audioset-10-10-0.4593 и адаптированная автором репозитория Xenova для работы с Transformers.js. В репозитории представлены ONNX-веса, совместимые с JavaScript-библиотекой Transformers.js, что позволяет использовать модель, в частности, в веб- и JavaScript-приложениях. Модель предназначена для распознавания и классификации звуковых событий в аудиозаписях. В качестве примера показано определение мяуканья кошки с вероятностными оценками нескольких наиболее подходящих классов; поддерживается получение нескольких лучших результатов классификации. Точные сведения об архитектуре, размере модели, наборе языков, длине контекста и модальностях в README не указаны. Также не указаны лицензия и ограничения на использование, поэтому условия лицензирования следует уточнять в исходном репозитории MIT/ast-finetuned-audioset-10-10-0.4593.

moranmiz/recipe-sbert-model — англоязычная Sentence Transformer на базе DistilRoBERTa, дообученная для оценки сходства кулинарных рецептов. Модель преобразует текст рецепта в плотный эмбеддинг размерностью 768 и рассчитана на последовательности до 514 токенов по метаданным; в README указан лимит 512 токенов. Архитектура использует RobertaModel, усреднение токенных представлений и нормализацию, а близость эмбеддингов можно оценивать косинусным сходством. Модель обучена на 30 тысячах пар рецептов с оценками, учитывающими как сходство текста, так и сходство списков ингредиентов. Её можно применять для семантического поиска и сравнения рецептов, а также для кластеризации и классификации текстов в кулинарных каталогах. Модель дообучена на sentence-transformers/all-distilroberta-v1 и распространяется в формате safetensors. Лицензия в предоставленных данных не указана. Описание и приведённые метрики относятся к сходству рецептов; перенос качества на другие типы текстов не подтверждён.

Samantha-1.11-13b — разговорная модель-компаньон от QuixiAI, дообученная на базе Llama 2. Она предназначена для диалогов и помощи с вопросами о философии, психологии, личных отношениях и повседневной самоорганизации. Модель обучена на 6 000 специально отобранных диалогов в формате ShareGPT/Vicuna; для общения используется шаблон Vicuna 1.1. В README указано, что версия 1.11 обучалась 15 эпох с использованием QLoRA. Модель содержит 12,9 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. В карточке указан английский язык. Samantha позиционируется как дружелюбный собеседник и помощник, но не поддерживает ролевые игры, романтические сценарии и сексуальное общение. Лицензия Llama 2 допускает коммерческое и некоммерческое использование с ограничениями, установленными её условиями.

SenseNova-U1-8B-SI800K-SFT — мультимодальная модель SenseNova с архитектурой NEO-unify и языковой ветвью NEOChatModel, дообученная на SenseNova-SI-800K для пространственного понимания изображений. В наборе обучения указаны 832 тыс. примеров с изображениями и текстом о глубине, расстоянии, размере, относительном положении и пространственных отношениях между несколькими видами. Дообучалась только ветвь понимания; ветвь генерации изображений унаследована от базовой модели без изменений. Модель подходит для визуальных диалогов и ответов на вопросы о пространственных свойствах объектов и сцен. Базовая модель содержит 8 млрд параметров и поддерживает понимание и генерацию текста и изображений; для загрузки требуется пользовательский код NEOChatModel через Transformers с параметром trust_remote_code=True. Лицензия — Apache-2.0.

anismizi разработала модель классификации изображений кожи лица на основе ResNet50, дообученной с пользовательской классификационной головой. Она принимает RGB-изображения размером 224 × 224 пикселя и относит кожу к одному из двух классов: сухая или жирная. Модель предназначена для оценки типа кожи, персонализации ухода и рекомендаций косметических продуктов, а также для исследовательских сценариев. Она выдаёт оценки вероятности для каждого класса и работает на PyTorch с библиотекой Transformers. Репозиторий распространяется по лицензии MIT. Модель рассчитана на изображения лица с хорошо освещённой и различимой кожей. Её результаты могут различаться в зависимости от тона кожи и этнической принадлежности; модель не предназначена для постановки медицинского диагноза. В README не приведены численные метрики качества.

thang101020/upernet-segmenthomeai — модель семантической сегментации изображений на базе архитектуры UperNet с backbone ConvNeXt Small. Она присваивает семантическую метку каждому пикселю, что позволяет выделять и классифицировать области сцены на изображении. UperNet объединяет backbone с Feature Pyramid Network и Pyramid Pooling Module; реализация использует PyTorch. Модель предназначена для задач семантической сегментации изображений и анализа сцен. Карточка не описывает специальную предметную область или конкретный набор классов. Репозиторий распространяется по лицензии MIT.

Модель dima806/67_cat_breeds_image_detection — дообученная версия Vision Transformer ViT-Base для классификации изображений. Она предназначена для распознавания 67 пород кошек по изображению и может использоваться в приложениях для определения породы по фотографии. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель принимает изображения и выдаёт метку класса породы. Она дообучена на google/vit-base-patch16-224-in21k и опубликована под лицензией Apache-2.0. Сведения о точности и ограничениях на конкретных типах изображений в карточке не приведены.

Bubunur разработал классификатор изображений животных на основе Vision Transformer ViT-Base с 113,2 млн параметров, дообученного на модели google/vit-base-patch16-224-in21k. Модель относит изображение к одному из трёх классов: кошка, собака или большая панда; она рассчитана на классификацию фотографий и выдаёт метки классов с оценками уверенности. Обучение проводилось на сбалансированном наборе Bubunur/dog-cat-panda из фотографий iNaturalist. На отфильтрованной тестовой выборке из 369 изображений метрики F1 составили 0,9547 для кошек, 0,9558 для собак и 1,0 для панд. Модель доступна в формате safetensors для библиотеки Transformers по лицензии CC BY-NC-SA 4.0. Классификатор всегда выбирает один из трёх классов, поэтому изображения других объектов будут ошибочно отнесены к кошке, собаке или панде. Кошки и собаки могут путаться на сложных снимках, а тестовая выборка после фильтрации CLIP может быть легче реальных изображений. Оценки уверенности ограничены примерно 0,93 из-за сглаживания меток.

Cosmos-Reason1-7B — мультимодальная модель зрения и языка NVIDIA для физического ИИ и робототехники. Это плотная архитектура Qwen2.5-VL с 7,1 млрд параметров, дообученная на данных для понимания физического мира и рассуждений о действиях воплощённых агентов. Модель принимает изображения или видео вместе с текстовым запросом и формирует текстовый ответ; нативная длина контекста — 128 000 токенов. Модель предназначена для анализа пространственных и временных отношений, понимания физики и здравого смысла, планирования действий робота или автономного автомобиля, а также отбора и аннотирования обучающих данных и анализа видеопотоков. В README отмечены пошаговые рассуждения и способность разбирать сложные команды на действия. Разработчик заявляет готовность к коммерческому применению. Указаны NVIDIA Open Model License и дополнительная информация о лицензии Apache 2.0; перед использованием следует сверить применимые условия в репозитории.

Модель fruits-and-vegetables-detector-36 — дообученная классификаторная ResNet-50 на базе microsoft/resnet-50, разработанная автором репозитория jazzmacedo. Она определяет фрукты и овощи на изображениях, относя их к одному из 36 классов. Модель принимает изображения и выдаёт метку класса; в README приведены результаты на тестовой выборке: accuracy 0,9721 и loss 0,0014. Модель обучена на небольшом наборе данных kritikseth/fruit-and-vegetable-image-recognition. Поэтому высокая точность на указанной выборке не гарантирует такого же качества на других изображениях, продуктах или условиях съёмки. Репозиторий распространяется по лицензии Apache-2.0.