HunyuanVideo-1.5 — это модель генерации видео по тексту (text-to-video) и изображению (image-to-video) с 8,3 млрд параметров, обеспечивающая высокое качество видео при относительно низких вычислительных затратах. Она разработана для работы на потребительских GPU, что делает её доступной для разработчиков и создателей контента.
Модель на основе rectified flow transformer с 32 миллиардами параметров, разработанная для генерации, редактирования и комбинирования изображений на основе текстовых инструкций. Поддерживает задачи генерации изображений по тексту, редактирование с одиночным референсом и многореференсное редактирование, без необходимости дополнительной настройки. Обучена с использованием метода дистилляции с подсказками для повышения эффективности, оптимизирована для исследовательских и творческих задач при условии некоммерческого использования.
Модель Kandinsky-5.0-I2V-Pro-sft-5s-Diffusers относится к серии Kandinsky 5.0 Pro и предназначена для генерации видео высокого качества. Она содержит 19 миллиардов параметров и поддерживает форматы разрешения HD и другие.
Это модель для генерации видео на основе текста. Она включает 19 миллиардов параметров и обеспечивает высокое качество генерации в формате HD. Модель относится к семейству Kandinsky 5.0, которое включает модели для генерации видео и изображений.
Компактная мультимодальная модель от Baidu, построенная на новаторской архитектуре гетерогенной архитектуре Mixture-of-Experts (MoE), отделяющую параметры для текстовых и визуальных экспертов. На инверенсе активируются только 3 миллиардов параметров при общем размере модели в 28 миллиардов параметров. Модель представляет собой обновленную версию базовой ERNIE-4.5-VL-28B-A3B, специально оптимизированную для задач мультимодального рассуждения через режим "мышления". Поддерживает работу с изображениями, видео, визуальную привязку (grounding) и вызов инструментов при нативной максимальной длине контекста 131K токенов и выгодно отличается умеренными требованиями к вычислительным ресурсам.
Самая большая на момент выхода открытая reasoning-модель от Moonshot AI с архитектурой Mixture-of-Experts (1T параметров, 32B активных), способная выполнять 200–300 последовательных вызовов инструментов без деградации качества, при этом чередовать вызовы функций с цепочками рассуждений. Модель поддерживает контекст 256K токенов, оснащена нативной INT4-квантизацией, что способствует ускорению инференса практически без потери точности и использует механизм Multi-Head Latent Attention (MLA) для эффективной работы с длинными последовательностями. Kimi K2 Thinking устанавливает новые рекорды среди open-source моделей, а по целому ряду бенчмарков превосходит лучшие коммерческие проекты такие как GPT-5 и Claude Sonnet 4.5.
Ministral-3-3B-Instruct — самая компактная модель семейства Ministral 3. При 3 млрд параметров, мультимодальность, 256k контекст и агентные функции. Идеальна для локального развертывания и прототипирования.
Ministral-3-8B-Instruct — сбалансированная мультимодальная модель на 8 млрд параметров. Сочетает высокую производительность с низкими системными требованиями, поддерживает 256k контекст, уверенно реализует агентные функции и поддерживает более 10 языков.
Ministral-3-14B-Instruct — самая мощная модель в семействе Ministral 3 с 14 млрд параметров. Обучена с применением технологии Cascade Distillation, обладает мультимодальными и агентными возможностями, поддерживает 256k контекста и квантованная версия может стабильно работать на оборудовании с 24 ГБ VRAM. Лицензия Apache 2.0.
Крупнейшая рассуждающая модель в семействе Ministral 3 (13.5B языковая LLM + 0.4B визуальный энкодер), обеспечивающая передовые возможности размышления и мультимодального понимания. Демонстрирует производительность, сопоставимую с более крупной 24B Mistral Small 3.2, при значительно меньших требованиях к ресурсам.
Сбалансированная модель в семействе Ministral 3 (8.4B LLM + 0.4B vision encoder), оптимизированная для эффективного выполнения сложных рассуждений на периферийных устройствах. Обеспечивает оптимальное соотношение производительности и ресурсов, отлично подходит для локального развёртывания.
Ministral-3-3B-Reasoning-2512 — самая компактная рассуждающая, мультимодальная модель в семействе Ministral-3, оптимизированная для выполнения задач на периферийных и встраиваемых устройствах. Поддерживает контекстное окно 256k токенов и распространяется под лицензией Apache 2.0.
LongCat-Video — это базовая модель генерации видео с 13,6 миллиардами параметров, разработанная для выполнения задач: генерации видео по тексту (Text-to-Video), по изображению (Image-to-Video) и продолжения видео (Video-Continuation). Модель обеспечивает эффективную и качественную генерацию длительных видео (вплоть до нескольких минут) без дрейфа цвета или потери качества, что достигается за счет предобучения на задачах Video-Continuation.
Языковая модель, которая объединяет мощные способности к рассуждению (reasoning) с надежными навыками агента (agent), предназначенная для решения сложных, многошаговых задач в реальных динамических средах. Благодаря инновационному подходу к обучению с использованием высококачественных, разнообразных данных и "перемежающегося мышления", M2 эффективно сочетает высокую производительность на академических бенчмарках с исключительной устойчивостью и адаптивностью при работе с незнакомыми инструментами и сценариями
Всего 2 миллиарда параметров, контекст 256К и возможность edge инференса. Это одна из самых маленьких visual reasoning-моделей, специализирующаяся на многоступенчатом рассуждении при визуальном анализе изображений и видео, то есть она почти буквально способна "думать, глядя на изображения". В отличие от Instruct-версии, эта модель генерирует развернутые цепочки мышления перед финальным ответом, что повышает точность, но сказывается на скорости работы.
Самая компактная модель из семейства мультимодальных Qwen3-VL. 2 миллиарда параметров, dense архитектура, оптимизирована для быстрых диалоговых систем и запуска на edge-устройствах. При этом модель сохраняет и поддерживает все передовые достижения серии: качественное понимание изображений, видео и текста, поддержку OCR на 32 языках, позиционирование объектов, тайминг и нативный контекст в 256K токенов.
Мощная мультимодальная модель с 32 миллиардами параметров и нативной поддержкой 256K контекста, обеспечивающая state-of-the-art качество мультимодального понимания. Модель превосходит на большинстве бенчмарков версию предыдущего поколения с 72B параметров, а также схожие по размеру решения GPT-5, Claude 4 и других разработчиков.
Reasoning-версия флагманской 32-миллиардной danse модели из семейства Qwen3-VL оптимизированная для многоэтапного мышления и решения сложнейших мультимодальных задач, требующих глубокого анализа и логических выводов на основе визуальной информации. Поддерживает нативный контекст 256K (с возможностью увеличения до 1М) и достигает state-of-the-art среди мультимодальных, рассуждающих моделей схожего размера.
Адаптированная под русский язык и специфику работы с объявлениями мультимодальная модель от Авито на базе Qwen2.5-VL-7B-Instruct с оптимизацией архитектуры. Модель обрабатывает русскоязычные запросы в 2 раза быстрее оригинала и значительно превосходит его в задачах генерации описаний для объявлений, сохраняя при этом универсальные способности работы с изображениями.
Русскоязычная LLM от Авито на базе Qwen3-8B, с уникальным гибридным токенизатором, адаптированным под русские токены. Модель демонстрирует выдающиеся результаты на русскоязычных бенчмарках, особенно в математике и function calling, при этом благодаря оптимизированной архитектуре обрабатывает запросы на 15-25% быстрее оригинальной версии.