Тег: Анализ изображений

Открытые мультимодальные модели OpenBMB для анализа изображений, видео и документов: сравниваем версии 1B и 35B-A3B и объясняем запуск.

Phi-Ground-Any-4B определяет координату действия в графическом интерфейсе по короткой инструкции.

Phi-4 Reasoning Vision 15B — открытая мультимодальная модель Microsoft на 15 млрд параметров для анализа изображений и сложных задач рассуждения.

Depth Anything 3 — открытая модель ByteDance для оценки глубины и восстановления 3D-сцены по изображениям с разных ракурсов.

Phi-Ground — модель Microsoft для определения координат элементов на снимках интерфейса по инструкции.

Seed1.5-VL — мультимодальная модель ByteDance для анализа изображений, видео, графических интерфейсов и визуальных задач.

Multimodal Phi Silica добавляет анализ изображений к локальной модели Microsoft для Copilot+ PC.

Phi-4 Multimodal — модель Microsoft для совместной обработки текста, изображений и речи в одном интерфейсе.

PaliGemma 2 Mix — выпущенные 19 февраля 2025 года vision-language checkpoints Google на 3B, 10B и 28B для исследовательского старта на смеси задач.

PaliGemma 2 — открытая vision-language модель Google на базе Gemma 2: размеры 3B, 10B и 28B, тексто-визуальный ввод и настройка под задачи.

Phi-3.5 Vision — мультимодальная модель Microsoft для анализа изображений, последовательностей кадров и длинного визуального контекста.

Phi-3 Vision — мультимодальная модель Microsoft на 4,2 млрд параметров для анализа изображений и текста.

PaliGemma — открытая модель Google, которая принимает изображения и текст и отвечает текстом. Версия 3B подходит для подписей и визуальных вопросов.