Тег: Открытые модели

Unlimited OCR 2 от Baidu распознаёт многостраничные документы, сохраняя связи между страницами. Модель с открытой лицензией MIT использует механизм SR-SWA.

Phonon-2.5 — локальная модель распознавания речи на 25 языках, включая русский. Весит 156 МБ, работает без GPU и распространяется по CC BY 4.0.

Nemotron 3.5 Super VL — открытая мультимодальная модель NVIDIA на 120 млрд параметров, из которых 12 млрд активны на шаг. Она анализирует текст, изображения и видео, поддерживает контекст до 1 млн токенов и предназначена для запуска на мощной GPU-инфраструктуре.

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.

SANA-WM превращает изображение, текстовое описание и маршрут камеры в связное видео 720p длительностью до минуты. Это исследовательская модель для генерации управляемых сцен.

VibeVoice-ASR-Streaming-7B — старшая потоковая модель Microsoft для распознавания речи и говорящих.

VibeVoice-ASR-Streaming-1.5B расшифровывает речь по мере поступления аудио и поддерживает десять языков.

Fara1.5-27B — крупнейшая версия компьютерного агента Microsoft для сложных задач в браузере.

Fara1.5-9B — основная модель Microsoft для многошаговой браузерной автоматизации.

Fara1.5-4B — младшая модель Microsoft для браузерной автоматизации с контекстом до 262 тысяч токенов.

MagenticBrain — модель Microsoft на 14 млрд параметров для планирования, кода и координации ИИ-агентов.

GridSFM — компактная модель Microsoft для оценки режимов работы и ограничений электрических сетей.

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.

VibeVoice-ASR распознаёт длительную речь, связывает реплики с говорящими и расставляет временные отметки.

TranslateGemma — открытые модели Google на базе Gemma 3 для перевода между 55 языками; доступны варианты 4B, 12B и 27B.

Seed Prover 1.5 — специализированная система ByteDance Seed для формальных математических доказательств на языке Lean.

VibeVoice-Realtime-0.5B — компактная модель Microsoft для потокового синтеза речи с низкой задержкой.

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

Fara-7B — компактная открытая модель Microsoft для выполнения задач в браузере с помощью мыши и клавиатуры.

VaultGemma — открытая языковая модель Google на 1 млрд параметров, обученная с дифференциальной приватностью на уровне последовательностей.

VibeVoice-TTS-1.5B генерирует длинную речь с несколькими голосами и сохранением очередности реплик.

Seed-OSS — открытая языковая модель ByteDance Seed на 36 млрд параметров с контекстом до 512 тысяч токенов.

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

Phi-4 Mini Flash Reasoning — компактная модель Microsoft для быстрых рассуждений с гибридной архитектурой SambaY.

T5Gemma — открытые модели Google с архитектурой «кодировщик—декодировщик»: варианты на базе Gemma 2 и отдельные размеры Small–XL.

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

Seed-Coder — открытое семейство моделей ByteDance на 8 млрд параметров для генерации, дополнения и анализа кода.

Phi-4 Mini Reasoning — компактная модель Microsoft на 3,8 млрд параметров для математики и логических задач.

Phi-4 Reasoning Plus — версия Microsoft с усиленной настройкой для многошаговых математических и научных задач.

Phi-4 Reasoning — открытая модель Microsoft на 14 млрд параметров для математики, науки и многошаговых 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.

Phi-4 Mini — компактная текстовая модель Microsoft на 3,8 млрд параметров с контекстом до 128 тысяч токенов.

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

BFS-Prover — открытая система ByteDance для формальной проверки математических доказательств с помощью Lean 4.

Phi-4 — языковая модель Microsoft на 14 млрд параметров, обученная для точного следования инструкциям и задач рассуждения.

Gemma 2 JPN — японская instruction-tuned модель Google на 2B, выпущенная 3 октября 2024 года для генерации японского текста и локального запуска.

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

Phi-3.5 MoE — разреженная модель Microsoft на 42 млрд параметров, активирующая около 6,6 млрд параметров для одного запроса.

Phi-3.5 Mini — мультиязычная открытая модель Microsoft на 3,8 млрд параметров с контекстом до 128 тысяч токенов.

RecurrentGemma 9B — вариант открытой языковой модели Google с 9 млрд параметров, опубликованный 11 июня 2024 года в базовой и instruction-tuned версиях.

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

Phi-3 Medium — 14-миллиардная модель Microsoft для языковых задач и рассуждений с вариантами контекста 4K и 128K.

Phi-3 Small — открытая языковая модель Microsoft на 7 млрд параметров для инструкций, кода и задач рассуждения.

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

CodeGemma 1.1 — обновление открытых моделей Google для кода, выпущенное 3 мая 2024 года; опубликованы варианты 2B и 7B instruction-tuned.

Phi-3 Mini — компактная открытая модель Microsoft на 3,8 млрд параметров для текста, кода и работы на устройствах с ограниченными ресурсами.

Rho-Math-7B-Interpreter — версия Rho-1 с пошаговым форматом математических рассуждений.