Модели

Единая базовая модель SAM 3 для сегментации изображений и видео по подсказкам. Обнаруживает, сегментирует и отслеживает объекты по тексту или визуальным подсказкам: точкам, рамкам и маскам.

Оценивает вероятность того, что изображение относится к NSFW.

Определяет, относится ли изображение к NSFW или SFW.

Модель для анализа видео: по запросу пользователя разбирает содержание ролика и отвечает на вопросы о происходящем в кадре.

Moondream 3 — визуально-языковая модель с передовым уровнем визуальных рассуждений, встроенными возможностями обнаружения объектов, указания на объекты и OCR. Подходит для реальных задач, где нужен быстрый и недорогой инференс в больших масштабах.

Moondream 3 — модель, объединяющая зрение и язык. Обеспечивает передовой уровень визуальных рассуждений со встроенными обнаружением объектов, указанием на объекты и OCR для реальных задач, где нужен быстрый и недорогой инференс в большом масштабе.

Продвинутая базовая модель компьютерного зрения Florence-2 решает широкий спектр задач зрения и задач на стыке зрения и языка, работая по промптам.

Moondream2 — очень эффективная визуально-языковая модель с открытым исходным кодом: хорошо понимает изображения и при этом остаётся удивительно компактной.

Очень эффективная визуально-языковая модель с открытым исходным кодом: хорошо понимает изображения и при этом остаётся удивительно компактной.

Florence-2 — продвинутая базовая модель компьютерного зрения, которая с помощью промптов решает широкий круг задач зрения и задач на стыке зрения и языка.

Визуально-языковая модель Moondream 3 с передовым уровнем визуальных рассуждений, встроенными обнаружением объектов, указанием на объекты и OCR. Подходит для реальных задач, где нужен быстрый и недорогой инференс в больших масштабах.

Визуально-языковая модель Moondream 3 с передовым уровнем визуальных рассуждений, встроенными обнаружением объектов, указанием на объекты и OCR. Подходит для реальных задач, где нужен быстрый и недорогой инференс в больших масштабах.

MoonDreamNext — мультимодальная модель, объединяющая зрение и язык: создаёт подписи к изображениям, определяет направление взгляда, находит объекты в виде bbox и точек и решает другие задачи.

Florence-2 — передовая базовая модель компьютерного зрения, которая работает по промптам и решает широкий круг задач зрения и задач на стыке зрения и языка.

Moondream2 — очень эффективная визуально-языковая модель с открытым исходным кодом: сильное понимание изображений при удивительно малом размере.

Продвинутая базовая модель компьютерного зрения Florence-2. С помощью промптов решает широкий круг задач зрения и задач на стыке зрения и языка.

Мультимодальная визуально-языковая модель Isaac-01 от Perceptron для разных задач на стыке зрения и языка.

Marlin — видео-VLM на 2B параметров, настроенная на два вопроса, которые разработчики чаще всего задают своим видео: что происходит и когда?

Зрение

GOT-OCR2 справляется с широким кругом задач: OCR обычных документов, текста на сцене и форматированных документов, а также таблиц, диаграмм, математических формул, геометрических фигур, молекулярных формул и нот.

Отвечает на вопросы по изображениям.

Moondream2 — очень эффективная визуально-языковая модель с открытым исходным кодом: мощное понимание изображений при совсем небольшом размере.

Sa2VA — мультимодальная языковая модель (MLLM), которая умеет отвечать на вопросы, понимать визуальные промпты и выполнять плотную сегментацию объектов как на изображениях, так и на видео.

Поиск по видео с помощью текстового запроса: Scene Finder находит подходящие моменты и возвращает их временные отрезки и извлеченные кадры.

Sa2VA — мультимодальная LLM (MLLM), которая отвечает на вопросы, понимает визуальные подсказки и выполняет плотную сегментацию объектов как на изображениях, так и в видео.

Nemotron-Labs-Diffusion-VLM-8B — расширение семейства Nemotron-Labs-Diffusion для работы с изображениями и текстом.

Sa2VA — мультимодальная языковая модель (MLLM), которая отвечает на вопросы, понимает визуальные промпты и выполняет плотную сегментацию объектов на изображениях и в видео.

Мультимодальная визуально-языковая модель MoonDreamNext Batch для пакетного создания подписей к изображениям.

Видео-VLM Marlin на 2B, настроенная под два вопроса, которые разработчики действительно хотят задавать своим видео: что происходит и когда?

MLLM Sa2VA умеет отвечать на вопросы, понимать визуальные подсказки и выполнять плотную сегментацию объектов как на изображениях, так и на видео.

Передовая базовая модель компьютерного зрения, которая использует подход на основе промптов и решает широкий круг задач зрения и задач на стыке зрения и языка.

Florence-2 — продвинутая базовая модель компьютерного зрения, которая решает широкий круг задач зрения и vision-language с помощью промптов.