Модели

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.

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.

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.

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.