Тег: Мультимодальные модели

Nemotron 3.5 Bolt — мультимодальная модель NVIDIA на 74 млрд параметров, из которых 9 млрд задействуются при генерации. Специально сжатая версия рассчитана на запуск в пределах 24 ГБ памяти.

Модель Meta с открытыми весами для программирования и агентных задач: 816 млрд параметров, 42 млрд активных и контекст до 1 млн токенов.

Seedream 5.0 Flash — ускоренная модель ByteDance для генерации и редактирования изображений с раздельными слоями.

SeedRealtime — аудиовизуальная модель ByteDance для общения в реальном времени с одновременным восприятием звука, видео и речи.

Seed3D 2.0 — модель ByteDance для более точной генерации 3D-геометрии и материалов по изображению.

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

Seed 2.0 — семейство ByteDance Seed для рассуждений, мультимодальных задач, работы с инструментами и программирования.

Seedream 5.0 Lite — модель ByteDance для генерации и редактирования изображений с мультимодальным рассуждением и поиском.

Seedance 2.0 — мультимодальная модель ByteDance для генерации и редактирования видео со звуком по тексту и референсам.

Rho-alpha — робототехническая модель Microsoft, преобразующая инструкции в управление двумя руками.

MedGemma 1.5 4B — мультимодальная медицинская модель Google для анализа томограмм, рентгеновских снимков, гистопатологии и медицинских документов.

Seed1.8 — мультимодальная модель ByteDance Seed для поиска, кода, управления интерфейсами и сложных рабочих процессов.

T5Gemma 2 — мультимодальные encoder-decoder модели Google на базе Gemma 3 с изображениями, контекстом до 128 тысяч токенов и размерами 270M–4B.

Seedance 1.5 Pro — модель ByteDance для совместной генерации видео, речи и звуковых эффектов с синхронизацией по сцене.

Seedream 4.5 — модель ByteDance для генерации и редактирования изображений с точным сохранением деталей референса.

Seed3D 1.0 — модель ByteDance для создания детализированных 3D-объектов и сцен по одному изображению.

Seedance 1.0 Pro Fast — ускоренная модель ByteDance для генерации видео по тексту и исходному изображению.

Seedream 4.0 — мультимодальная модель ByteDance для генерации изображений и редактирования одного или нескольких референсов.

Seed GR-3 — робототехническая модель ByteDance, которая воспринимает визуальную сцену и управляет действиями робота.

Seed-1.6-Embedding — мультимодальная модель ByteDance для поиска по тексту, изображениям и видео.

Seed1.6 Thinking — вариант ByteDance Seed1.6 для углублённого текстового и визуального рассуждения.

Seed1.6 Flash — облегчённая мультимодальная модель ByteDance с ускоренной обработкой текста и изображений.

Seed1.6 — мультимодальная модель ByteDance для текста, изображений и рассуждений с адаптивным режимом цепочки мыслей.

SeedEdit 3.0 — модель ByteDance для редактирования изображений по текстовым инструкциям с сохранением неизменяемых деталей.

Seedance 1.0 Pro — модель ByteDance для кинематографичной генерации видео по тексту и изображению.

BAGEL — открытая мультимодальная модель ByteDance для понимания и генерации текста, изображений и видео.

MedGemma — открытые медицинские модели Google для обработки клинических текстов и изображений; семейство включает варианты 4B и 27B.

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

UI-TARS 1.5 — открытая мультимодальная модель ByteDance для управления компьютером и мобильными интерфейсами.

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

Magma-8B — мультимодальная модель Microsoft для понимания интерфейсов и управления действиями в цифровой и физической среде.

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.