浏览 AI 技能、智能体和自动化

FlashVSR

JunhaoZhuang · 工具包

一个一步扩散的视频超分辨率模型，以流式方式放大低分辨率视频，在单块 A100 GPU 上处理 768 x 1408 视频约 17 帧每秒。这是第一版，即版本 1。

Qwen3.8-27B-oQ4e-mtp

Jundot · 工具包

在 MLX 上以约 17.5 GB 运行 27B 的 Qwen3.8 视觉语言模型，能读取文字、图片和视频，上下文为 262,144 个 token。这是 Jundot 的混合精度量化版本，适合内存有限的人。

SmolVLM2-2.2B-Instruct

HuggingFaceTB · 工具包

同时回答关于视频、图像和文字的问题，用一个 2.2B 模型，视频推理约需 5.2 GB GPU 显存。适合构建设备端视觉助手的开发者。

TRIBE v2

facebook · 工具包

用一个映射到大脑皮层表面的多模态 Transformer，估计大脑对视频、音频和文本的 fMRI 反应。适合神经科学和 AI 研究者。

Wan 2.1 for ComfyUI

Comfy-Org · 工具包

为 ComfyUI 重新打包的 Wan 2.1 视频模型文件，涵盖文生视频、图生视频、VACE 编辑、镜头控制、透明通道视频和音频驱动配音，并附带现成的工作流。

wan-gguf

calcuis · 工具包

Wan 视频模型的 GGUF 量化版本，可在 ComfyUI 或 diffusers 中做文生视频，包括适合旧机器的 1.3b 小文件。适合在本地制作 AI 短视频的人。

pig-vae

calcuis · 工具包

pig 架构的小型 GGUF VAE，用于图像和视频工作流，加载器在 gguf-node 包里。目标是在较旧的机器上运行更快、占用内存更少。

Qwen-Video-Edit

yunpeng1998 · 工具包

通过在视频潜变量上复用图像编辑模型，根据文字指令编辑视频，只加了轻量的可训练投影。适合想做指令式编辑的视频创作者和研究人员。

VQGAN + CLIP

multimodalart · 工具包

把一句文字变成图像，你能看着图像从噪点里逐步成形，并把整个过程存成视频。适合艺术家、学生，以及对经典文生图方法好奇的开发者。

一个 n8n 工作流，盯着一个 YouTube 频道，下载每个新视频的英文字幕，让 OpenAI 写三条要点，并把它们连同标题和链接发到 Discord。

一个 n8n 工作流：回答发到 WhatsApp 商务号码的消息。Gemini 模型把语音、照片或视频变成文字，带短期记忆和维基百科工具的 AI 智能体写出回复。

一个每 30 分钟检查你的 YouTube 频道、请 OpenAI 为这段时间内发布的视频写一条短帖子，并把帖子发布到你的 X 账号上的 n8n 工作流。

Molmo2-8B

allenai · 工具包

回答关于图片、视频以及多张图片的问题，还能指出它找到的东西。适合想要开源 8B 视觉语言模型来做视频问答、计数和描述的开发者。

LTX-LoRAs

Alissonerdx · 工具包

为 LTX 2.3 视频模型提供 LoRA 文件，可填补视频中被遮罩的区域，带或不带视觉参考都行，另有一个实验性的视频编辑 LoRA。适合使用 LTX 2.3 的视频创作者。

Wan2.2-Fun-5B-Control

alibaba-pai · 工具包

用 Canny、Depth、Pose 或 MLSD 等控制条件，或用轨迹，来引导生成的视频。适合在 videox_fun 库里使用 5B Wan2.2 基础模型的视频创作者和研究者。

VideoJev-4B

ZhuYuhan · 工具包

找出视频里某件事发生的时间，并回答关于视频的选择题，方式是直接给候选项打分。基于 Qwen3.5-4B，适合视频研究者和开发者。

Wan2.1-T2V-14B

Wan-AI · 工具包

用 14B 的 Wan2.1 模型根据文字提示词生成 480P 或 720P 视频，还能把中文和英文文字放进画面。适合有强力 GPU 硬件的创作者和研究人员。

natural-face-speech-h3-lora

vpakarinen · 工具包

MiniMax H3 视频模型的 LoRA 附加件，目标是在文生视频和图生视频里得到自然的面部动作和清晰的英语语音。适合制作人物说话短视频的人。

Matrix-Game 4.0

Skywork · 工具包

把正在运行的游戏的画面重绘成干净的低多边形视频，每个场景一个渲染器：古埃及、城市赛车和中世纪城堡。适合游戏开发者和视频模型研究人员。

Qwen2.5-VL-7B-Instruct

Qwen · 工具包

一个视觉语言模型，能把图片、文档和视频与文字问题一起理解并用文字回答。适合围绕图表、扫描件、屏幕和视频片段开发应用的开发者。