Hooshgate Models Hub

دایرکتوری حرفه‌ای مدل‌ها، ابزارها و راهنماهای راه‌اندازی

این hub فقط فهرست اسم‌ها نیست. اینجا باید بتوانید خانواده‌های مهم را کنار هم ببینید، بین open-source و proprietary تصمیم بگیرید، مسیر local/API/self-host را بفهمید و برای setup، integration و deployment به guide درست برسید.

catalog + guideopen-source / open-weightproprietarytext / image / video / audio / embedding

کل صفحه‌های پذیرفته‌شده

۱۰۲

خانواده مدل

۶۴

guide و ecosystem

۳۸

queue غیرقابل‌نمایش

مرز انتشار

سطح عملیاتی پذیرفته‌شده

فقط چیزهایی public هستند که taxonomy روشن، فارسی قابل‌اتکا و surface contract مشخص داشته باشند.

family pageها قرار نیست وانمود کنند همه‌چیز را عمیق پوشش می‌دهند. این صفحه‌ها بیشتر برای browse، selection و boundary decision هستند.

guide pageها و ecosystem pageها جایی هستند که setup، runtime، integration و deployment با عمق بیشتر باز می‌شوند.

مدل‌ها و guideهای queue فقط در ادمین می‌مانند تا قبل از تکمیل pack محتوایی، فارسی، source و review وارد public surface نشوند.

خانواده مدل: ۶۴اکوسیستم / ابزار: ۲۰راهنمای نصب: ۵راهنمای integration: ۴راهنمای deployment: ۳مقایسه تصمیم‌یار: ۳پیاده‌سازی use-case: ۳family page = reference + decision layerguide page = setup / integration / deployment depth

فهرست عمومی

۱۷ صفحه مرجع

هر کارت یا family reference است، یا ecosystem/tooling page، یا guide عملی برای setup، integration و deployment.

متن و چتوزن‌بازself-host

راهنماهای D3

ورود سریع به مسیرهای عملی

اگر دنبال جواب اجرایی هستید، از یکی از guideهای زیر شروع کنید؛ این‌ها برای تصمیم deployment و integration ساخته شده‌اند.

راهنمای نصب

راهنمای شروع local روی ویندوز، مک و لینوکس

اگر نمی‌دانید برای local AI از کجا شروع کنید، این صفحه مسیر ساده‌تر را برای Windows، macOS و Linux روشن می‌کند و می‌گوید چه زمانی سراغ Ollama، LM Studio یا llama.cpp بروید.

راهنمای integration

راهنمای API-first برای مدل‌های proprietary

اگر نمی‌خواهید وارد serving شوید و زمان رسیدن به MVP برایتان حیاتی است، مسیر API-first هنوز سریع‌ترین راه حرفه‌ای است؛ به‌شرط اینکه cost، lock-in و governance را از ابتدا مهندسی کنید.

مقایسه تصمیم‌یار

مقایسه local، API و self-host

مهم‌ترین سؤال عملی بسیاری از تیم‌ها همین است: local run کنم، API بگیرم یا self-host شوم؟ این صفحه به‌جای پاسخ شعاری، trade-off تصمیم را شفاف می‌کند.

راهنمای integration

راهنمای integration برای RAG

RAG با وصل‌کردن یک LLM به vector DB حل نمی‌شود. این guide مسیر حرفه‌ای integration را از ingest تا retrieval، reranking، answer synthesis و evaluation توضیح می‌دهد.

راهنمای deployment

راهنمای deployment برای محصول و سازمان

deployment حرفه‌ای با «انتخاب مدل» تمام نمی‌شود. این guide از phaseهای rollout تا security، observability، guardrails و maintenance trade-off را برای محصول و سازمان جمع می‌کند.

راهنمای deployment

Guardrails، observability و evaluation

بخش بزرگی از production readiness نه در مدل، بلکه در guardrails، observability و evaluation است. این صفحه نشان می‌دهد چطور AI feature را قابل‌پایش، قابل‌کنترل و قابل‌اعتماد نگه دارید.

اکوسیستم / ابزار

اکوسیستم Ollama

Ollama بهترین نقطه شروع برای تیم‌هایی است که می‌خواهند بدون درگیرشدن با serving stackهای سنگین، مدل را روی لپ‌تاپ، ورک‌استیشن یا سرور کوچک بالا بیاورند.

اکوسیستم / ابزار

اکوسیستم vLLM

vLLM یکی از جدی‌ترین انتخاب‌ها برای serving مدل‌های open-weight در production است؛ مخصوصاً وقتی throughput، OpenAI-compatible API و batching برایتان مهم است.

نوع صفحه

اگر از قبل می‌دانید دنبال مدل هستید یا guide deployment و tooling می‌خواهید، از اینجا شروع کنید.

خانواده مدل

۶۴ صفحه مرجع

اکوسیستم / ابزار

۲۰ صفحه مرجع

راهنمای نصب

۵ صفحه مرجع

راهنمای integration

۴ صفحه مرجع

راهنمای deployment

۳ صفحه مرجع

مقایسه تصمیم‌یار

۳ صفحه مرجع

پیاده‌سازی use-case

۳ صفحه مرجع

مرور بر اساس مودالیته

اول از modality شروع کن، بعد با deployment و vendor فهرست را باریک کن.

متن و چت

۵۶ صفحه مرجع

چندوجهی

۵۲ صفحه مرجع

Embedding

۳۶ صفحه مرجع

Reranking

۱۰ صفحه مرجع

تولید تصویر

۲۰ صفحه مرجع

ویدئو

۸ صفحه مرجع

صوت و گفتار

۳۴ صفحه مرجع

Vendorهای شاخص

برای مقایسه خانواده‌های بزرگ و proprietary/open-weight از vendor filter شروع کن.

OpenAI

۵ صفحه مرجع

Anthropic

۱ صفحه مرجع

Google

۸ صفحه مرجع

xAI

۱ صفحه مرجع

IBM

۲ صفحه مرجع

NVIDIA

۴ صفحه مرجع

مسیرهای پیشنهادی برای شروع

اگر هنوز vendor یا مدل مشخصی در ذهن ندارید، از یکی از collectionهای زیر شروع کنید تا hub سریع‌تر قابل‌فهم شود.

Guideهای setup و onboarding

برای این‌که از local، desktop، API یا self-host دقیقاً از کجا شروع کنید.

۵ صفحه مرجع

اکوسیستم و tooling

برای فهم اینکه Ollama، vLLM، TGI، Hugging Face یا GGUF کجا به‌درد می‌خورند.

۲۰ صفحه مرجع

integration و implementation

برای RAG، document AI، API-first backend و use-caseهای اجرایی.

۷ صفحه مرجع

deployment و ops

برای rollout، guardrails، observability و production trade-offها.

۶ صفحه مرجع

LLMهای self-host

خانواده‌های باز برای chat، reasoning و استقرار داخل زیرساخت خودتان.

۴۲ صفحه مرجع

کدنویسی و developer models

مدل‌هایی برای completion، coding agent و workflow توسعه.

۴۱ صفحه مرجع

Embedding و retrieval

برای semantic search، RAG و reranking روی corpus سازمانی.

۳۸ صفحه مرجع

چندوجهی و document AI

مدل‌هایی برای تصویر، PDF، visual QA و سندخوانی.

۲۹ صفحه مرجع

تصویر و design

از diffusion باز تا APIهای حرفه‌ای تولید تصویر و asset.

۱۵ صفحه مرجع

صوت، TTS و voice

speech-to-text، voice agents و TTS برای product و enterprise.

۳۴ صفحه مرجع

Hooshgate Reference

مقایسه local، API و self-host

۹۹

مقایسه تصمیم‌یاروزن‌بازCommunity / Open-weightمتن و چتچندوجهیچت و دستیارکدنویسی

تیم‌های product، infra و enterprise که باید تصمیم deployment بگیرند و نمی‌خواهند تحت‌تأثیر hype یک مسیر اشتباه انتخاب کنند.

مسیر اجرا

decision framework

استقرار

محیط محلی • API

پیچیدگی

راهنمای تصمیم‌یار

راهنمای مرتبط

۴ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۴ pack کامل • ۱ pack خلاصه • ۴ pack لینک‌شده

fit عملیاتی

Cloud managed | مناسب برای: دستیار عمومی • ابزار توسعه

آخرین بازبینی: 2026-04-22

ورود به راهنما

Hooshgate Reference

راهنمای integration برای RAG

۹۸

راهنمای integrationوزن‌بازCommunity / Open-weightمتن و چتEmbeddingRAG و دانش سازمانیجست‌وجوی معنایی

تیم‌هایی که می‌خواهند روی اسناد داخلی، دانش سازمانی، policy و document assistant یک RAG قابل‌نگهداری بسازند.

مسیر اجرا

integration-focused

استقرار

API • self-host

پیچیدگی

چندلایه و evaluation-heavy

راهنمای مرتبط

۳ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۵ pack کامل • ۴ pack خلاصه • ۰ pack لینک‌شده

fit عملیاتی

Cloud managed | مناسب برای: جست‌وجوی سازمانی • پردازش سند

آخرین بازبینی: 2026-04-22

ورود به راهنما

خانواده Llama

Llama یکی از مهم‌ترین خانواده‌های open-weight برای self-host، سفارشی‌سازی و ساخت stack مستقل سازمانی است.

۹۵

خانواده مدلوزن‌بازCommunity / Open-weightمتن و چتچندوجهیچت و دستیاراستدلال و تحلیل

تیم‌هایی که می‌خواهند مدل را داخل زیرساخت خودشان اجرا کنند، quantize کنند، LoRA بزنند و control بیشتری روی داده و serving داشته باشند.

مسیر اجرا

self-host قوی

استقرار

محیط محلی • self-host

پیچیدگی

عملیاتی‌تر از API مدل‌ها

راهنمای مرتبط

۸ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۵ pack کامل • ۵ pack خلاصه • ۰ pack لینک‌شده

fit عملیاتی

Linux • macOS | مناسب برای: دستیار عمومی • ابزار توسعه

آخرین بازبینی: 2026-04-22

ورود به صفحه مرجع

Hooshgate Reference

پیاده‌سازی document AI و سندمحور

document AI فقط OCR یا chat با PDF نیست. این guide نشان می‌دهد برای ingestion، extraction، validation، citation و human review چطور یک pipeline سندمحور قابل‌اعتماد بسازید.

۹۵

پیاده‌سازی use-caseوزن‌بازCommunity / Open-weightچندوجهیمتن و چتتحلیل سندRAG و دانش سازمانی

workflowهای قرارداد، فاکتور، policy، proposal review و هر use-case که سند source-of-truth است.

مسیر اجرا

use-case implementation

استقرار

API • self-host

پیچیدگی

document-centric and validation-heavy

راهنمای مرتبط

۳ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۵ pack کامل • ۳ pack خلاصه • ۱ pack لینک‌شده

fit عملیاتی

Cloud managed | مناسب برای: پردازش سند • محیط‌های حساس

آخرین بازبینی: 2026-04-22

ورود به راهنما

Alibaba / Qwen Team

خانواده Qwen

Qwen یکی از خانواده‌های open-weight مهم برای تیم‌هایی است که هم multilingual support می‌خواهند و هم self-host و fine-tuning.

۹۴

خانواده مدلوزن‌بازCommunity / Open-weightمتن و چتچندوجهیچت و دستیاراستدلال و تحلیل

محصولات چندزبانه، assistantهای self-host، coding workflowها و تیم‌هایی که stack open-weight اما مدرن می‌خواهند.

مسیر اجرا

self-host قوی

استقرار

محیط محلی • self-host

پیچیدگی

open-weight منعطف

راهنمای مرتبط

۸ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۵ pack کامل • ۵ pack خلاصه • ۰ pack لینک‌شده

fit عملیاتی

Linux • Windows | مناسب برای: دستیار عمومی • ابزار توسعه

آخرین بازبینی: 2026-04-22

ورود به صفحه مرجع

Mistral AI

Codestral

Codestral برای code completion، FIM و سناریوهای coding assistant مناسب است؛ مخصوصاً وقتی می‌خواهید latency بهتر و کنترل بیشتر از مدل‌های chat عمومی بگیرید.

۹۳

خانواده مدلوزن‌بازOpen model termsمتن و چتکدنویسیworkflow عامل‌محور

IDE completion، fill-in-the-middle، code generation، code editing و ابزارهای توسعه که باید روی codebase واقعی کار کنند.

مسیر اجرا

API یا self-host

استقرار

API • self-host

پیچیدگی

کدنویسی تخصصی

راهنمای مرتبط

۴ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۵ pack کامل • ۵ pack خلاصه • ۰ pack لینک‌شده

fit عملیاتی

Linux | مناسب برای: ابزار توسعه • دستیار عمومی

آخرین بازبینی: 2026-04-22

ورود به صفحه مرجع

Mistral AI

خانواده Mistral

Mistral برای تیم‌هایی جذاب است که هم self-host می‌خواهند و هم سبدی از مدل‌های تخصصی‌تر مثل coding، multimodal و document AI را در یک خانواده ببینند.

۹۲

خانواده مدلوزن‌بازترکیبی / متغیرمتن و چتچندوجهیچت و دستیاراستدلال و تحلیل

سازمان‌هایی که بین API و self-host جابه‌جا می‌شوند و می‌خواهند از مدل‌های متنوع این خانواده برای code، vision و enterprise search استفاده کنند.

مسیر اجرا

API + self-host

استقرار

API • محیط محلی

پیچیدگی

خانواده متنوع، نیازمند governance

راهنمای مرتبط

۸ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۵ pack کامل • ۵ pack خلاصه • ۰ pack لینک‌شده

fit عملیاتی

Linux • Container / Docker | مناسب برای: دستیار عمومی • ابزار توسعه

آخرین بازبینی: 2026-04-22

ورود به صفحه مرجع

Mistral AI

Devstral

Devstral برای workflowهای agentic در توسعه نرم‌افزار ساخته شده است؛ جایی که model فقط کد تولید نمی‌کند، بلکه باید ابزار و context را هم درست به‌کار بگیرد.

۹۲

خانواده مدلوزن‌بازOpen-source permissiveمتن و چتکدنویسیworkflow عامل‌محور

coding agents، tool use در توسعه، repository workflows و تیم‌هایی که code generation را در مسیر task-based می‌خواهند.

مسیر اجرا

self-host مناسب

استقرار

API • self-host

پیچیدگی

agentic coding stack

راهنمای مرتبط

۴ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۵ pack کامل • ۵ pack خلاصه • ۰ pack لینک‌شده

fit عملیاتی

Linux | مناسب برای: ابزار توسعه • دستیار عمومی

آخرین بازبینی: 2026-04-22

ورود به صفحه مرجع

Alibaba / Qwen

Qwen Coder

Qwen Coder برای تیم‌هایی جذاب است که coding مدل باز با ecosystem قوی Qwen، vLLM، Ollama و GGUF می‌خواهند.

۹۲

خانواده مدلوزن‌بازOpen-source permissiveمتن و چتکدنویسیworkflow عامل‌محور

code generation، repo-aware workflows سبک، local coding assistants و self-host روی stackهای رایج.

مسیر اجرا

local / self-host

استقرار

محیط محلی • self-host

پیچیدگی

coding family باز

راهنمای مرتبط

۶ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۵ pack کامل • ۵ pack خلاصه • ۰ pack لینک‌شده

fit عملیاتی

Linux • macOS | مناسب برای: ابزار توسعه • هوش مصنوعی محلی

آخرین بازبینی: 2026-04-22

ورود به صفحه مرجع

DeepSeek

خانواده DeepSeek

DeepSeek برای تیم‌هایی مهم است که reasoning و coding را با رویکرد open-weight یا API اقتصادی‌تر بررسی می‌کنند.

۹۱

خانواده مدلوزن‌بازترکیبی / متغیرمتن و چتچت و دستیاراستدلال و تحلیل

ارزیابی‌های comparative، code-heavy workloads و سازمان‌هایی که می‌خواهند بین API و self-host انعطاف داشته باشند.

مسیر اجرا

API + self-host

استقرار

API • محیط محلی

پیچیدگی

reasoning/coding محور

راهنمای مرتبط

۶ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۵ pack کامل • ۵ pack خلاصه • ۰ pack لینک‌شده

fit عملیاتی

Linux • Container / Docker | مناسب برای: دستیار عمومی • ابزار توسعه

آخرین بازبینی: 2026-04-22

ورود به صفحه مرجع

NVIDIA

Nemotron

Nemotron برای تیم‌هایی مناسب است که reasoning و agent workflows می‌خواهند و هم‌زمان می‌خواهند deployment را در اکوسیستم NVIDIA و NIM نگه دارند.

۹۱

خانواده مدلوزن‌بازOpen model termsمتن و چتچت و دستیاراستدلال و تحلیل

reasoning، long-context workflows، coding و serving روی GPUهای NVIDIA با NIM، vLLM یا stackهای محلی.

مسیر اجرا

NIM / vLLM / local

استقرار

self-host • ابر مدیریت‌شده

پیچیدگی

GPU-centric reasoning stack

راهنمای مرتبط

۵ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۵ pack کامل • ۵ pack خلاصه • ۰ pack لینک‌شده

fit عملیاتی

Linux • Container / Docker | مناسب برای: ابزار توسعه • دستیار عمومی

آخرین بازبینی: 2026-04-22

ورود به صفحه مرجع

DeepSeek

DeepSeek Coder

DeepSeek Coder برای تیم‌هایی مهم است که coding model باز می‌خواهند و می‌خواهند code completion، refactor و repo Q&A را داخل infra خودشان جلو ببرند.

۹۰

خانواده مدلوزن‌بازترکیبی / متغیرمتن و چتکدنویسیچت و دستیار

IDE assistant داخلی، code review helper، generation روی repo خصوصی و pipelineهایی که self-host و cost control مهم است.

مسیر اجرا

local یا self-host

استقرار

محیط محلی • self-host

پیچیدگی

مدل کدنویسی باز

راهنمای مرتبط

۵ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۵ pack کامل • ۵ pack خلاصه • ۰ pack لینک‌شده

fit عملیاتی

Linux • Container / Docker | مناسب برای: ابزار توسعه • دستیار عمومی

آخرین بازبینی: 2026-04-23

ورود به صفحه مرجع

Google

خانواده Gemma

Gemma برای تیم‌هایی مناسب است که مدل باز و سبک‌تر می‌خواهند، اما همچنان می‌خواهند از lineage و tooling گوگل بهره ببرند.

۸۹

خانواده مدلوزن‌بازOpen model termsمتن و چتچندوجهیچت و دستیاراستدلال و تحلیل

edge و local AI، prototypeهای self-host و تیم‌هایی که مدل بازتر اما manageable می‌خواهند.

مسیر اجرا

local / edge friendly

استقرار

محیط محلی • self-host

پیچیدگی

سبک‌تر و منعطف

راهنمای مرتبط

۶ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۵ pack کامل • ۵ pack خلاصه • ۰ pack لینک‌شده

fit عملیاتی

Linux • macOS | مناسب برای: دستیار عمومی • ابزار توسعه

آخرین بازبینی: 2026-04-22

ورود به صفحه مرجع

Google

CodeGemma

CodeGemma برای تیم‌هایی مهم است که coding model سبک‌تر و باز می‌خواهند و ترجیح می‌دهند روی همان ecosystem Gemma/Google باقی بمانند.

۸۸

خانواده مدلوزن‌بازOpen model termsمتن و چتکدنویسیچت و دستیار

code completion سبک، local experimentation، IDE prototype و تیم‌هایی که می‌خواهند code model باز را با footprint معقول‌تر امتحان کنند.

مسیر اجرا

local-friendly

استقرار

محیط محلی • self-host

پیچیدگی

نسبتاً سبک برای code experimentation

راهنمای مرتبط

۵ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۵ pack کامل • ۵ pack خلاصه • ۰ pack لینک‌شده

fit عملیاتی

Container / Docker • Cloud managed | مناسب برای: ابزار توسعه • هوش مصنوعی محلی

آخرین بازبینی: 2026-04-23

ورود به صفحه مرجع

Hooshgate Reference

مقایسه مدل‌های کدنویسی

این comparison guide برای تیم‌هایی است که بین GPT، Qwen Coder، DeepSeek Coder، Codestral و code modelهای مشابه گیر کرده‌اند و می‌خواهند trade-off عملی را ببینند.

۸۸

مقایسه تصمیم‌یاروزن‌بازCommunity / Open-weightمتن و چتکدنویسیworkflow عامل‌محور

انتخاب coding assistant، تعیین build-vs-buy، و تصمیم بین API proprietary و self-host code modelها.

مسیر اجرا

API یا self-host

استقرار

API • محیط محلی

پیچیدگی

تصمیم‌گیری میان چند family

راهنمای مرتبط

۴ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۴ pack کامل • ۱ pack خلاصه • ۴ pack لینک‌شده

fit عملیاتی

macOS | مناسب برای: ابزار توسعه • دستیار عمومی

آخرین بازبینی: 2026-04-23

ورود به راهنما

Microsoft

خانواده Phi

Phi بیشتر وقتی مهم می‌شود که مدل کوچک‌تر، deployment سبک و integration با اکوسیستم مایکروسافت برایتان مهم باشد.

۸۷

خانواده مدلوزن‌بازCommunity / Open-weightمتن و چتچندوجهیچت و دستیاراستدلال و تحلیل

copilotهای داخلی سبک، edge deployment و تیم‌هایی که Azure و Windows/ONNX مسیر مهمشان است.

مسیر اجرا

edge / local

استقرار

محیط محلی • self-host

پیچیدگی

مدل کوچک و کارآمد

راهنمای مرتبط

۵ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۵ pack کامل • ۵ pack خلاصه • ۰ pack لینک‌شده

fit عملیاتی

Windows • Linux | مناسب برای: دستیار عمومی • ابزار توسعه

آخرین بازبینی: 2026-04-22

ورود به صفحه مرجع

AI21

خانواده Jamba

Jamba برای تیم‌هایی جالب است که long-context، private deployment و enterprise workflow را در یک خانواده open model می‌خواهند.

۸۵

خانواده مدلوزن‌بازترکیبی / متغیرمتن و چتچت و دستیاراستدلال و تحلیل

long-context RAG، grounded QA و سازمان‌هایی که private deployment برایشان حیاتی است.

مسیر اجرا

private deploy friendly

استقرار

API • self-host

پیچیدگی

enterprise self-host

راهنمای مرتبط

۵ guide مکمل

پوشش همین صفحه

مرور مدلآموزش عملینصب و راه‌اندازیserving و runtime

۵ pack کامل • ۵ pack خلاصه • ۰ pack لینک‌شده

fit عملیاتی

Linux • Cloud managed | مناسب برای: دستیار عمومی • جست‌وجوی سازمانی

آخرین بازبینی: 2026-04-22

ورود به صفحه مرجع

ورود سریع

ورود سریع بر اساس سناریو

اگر هنوز مطمئن نیستی دنبال چه خانواده‌ای بگردی، از shortcutهای زیر شروع کن.

API-first برای دستیار self-host برای LLM embedding و retrieval تولید تصویر صوت و گفتار ویدئو

جست‌وجو در مدل‌ها

مرتب‌سازی

نوع صفحه

مودالیته

وظیفه / task

مدل انتشار

اختصاصی۳۴وزن‌باز۳۶متن‌باز۳۲

مسیر استقرار

Vendor / خانواده

اکوسیستم

سازگارسازی

سناریوی استفاده

نوع لایسنس

محیط و سیستم

پاک‌کردن همه