浏览 AI 技能、智能体和自动化

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。

JDI-Decision-V0.9

JoyIndustrial · 工具包

用内置 OCR 的 Qwen3.8-27B 决策系统，针对图像和文字回答选择题式的问题，并给出各选项的概率。适合需要从图片得到结构化选择的开发者。

InstantID

InstantX · 工具包

只用一张人脸照片和一段文字提示词，就能生成同一个人的新图片，并保持面部可辨认。适合用 Python 运行 Stable Diffusion XL 流程的开发者和创作者。

Granite-Docling-258M

ibm-granite · 工具包

把文档页面图像转换成结构化文本，支持公式、版面和关于页面元素的提问，是 IBM Research 的 258M 模型。适合用 Docling 构建文档转换的人。

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。

HiDream-I1-Full

HiDream-ai · 工具包

用一个 170 亿参数的开源模型从文字提示词生成图像，在模型卡的提示词遵循表格中名列前茅。适合有高性能 GPU 的设计师、营销人员和开发者。

H2O-Lightning-4B

h2oai · 工具包

回答关于文档、工单、政策或对话及其配图的类型化决策问题，并给每个选项一个概率。适合想用小模型来判断记录的团队。

gemma-4-31B-it-qat-q4_0-gguf

google · 工具包

把 Google 的 Gemma 4 31B 指令微调模型做成 4-bit GGUF 文件来运行，能读取文字和图片并用文字回答。适合有消费级显卡或工作站的开发者和爱好者。

Clef-GGUF

ggml-org · 工具包

Cloudflare 的 Clef 决策模型的 GGUF 文件，支持图像和文本输入。用 llama.cpp 工具提供服务，通过决策 API 路径调用。适合在自己机器上运行它的开发者。

Anything V5

genai-archive · 工具包

根据文字提示生成动漫风格图像，是 Anything V5 检查点的重新上传，包含 Ink 和 PRT 变体。适合会写精确提示词的画师，以及训练 LoRA 的人。

2025-MBARI-Benthic-Supercategory-Object-Detector

FathomNet · 工具包

从名称判断，它在图像中找出海底物体的大类，由 FathomNet 为 yolov26 库发布。页面没有模型卡，所以在依赖它之前请先用你自己的图像测试。

MoEViE-L16-384

facebook · 工具包

Meta 的混合专家视觉编码器，无需额外训练就能把图片匹配到文字标签，这里是 384px 的 L/16 模型。授权用于非商业研究。

KVARK Sparkle 1.0 (27B) FP8

Egzakta · 工具包

在 vLLM 上运行 FP8 格式的 27B 图文模型。和同规模的 Qwen 模型相比，它推理时用的词元少得多。适合自己托管模型的人。

Kvark-Sparkle-1.0-27B

Egzakta · 工具包

能处理图像和文字，推理时用的思考 token 比基座 Qwen3.8-27B 更少，据模型卡称，在相近的准确率下回答时间约减半。另有 FP8 和 GGUF 版本。

Rukopys-OCR-4B

ebinan92 · 工具包

从图片中读取乌克兰语手写文档，找出每个文字区域、标注类型，并以结构化 JSON 返回转写内容。这是用于手写数字化的开放 4B 视觉语言模型。

Surya OCR 2.5

datalab-to · 工具包

用 689M 参数的模型读取文档图像中的文字，还能找出文本行、版面块和阅读顺序。适合把扫描件和照片变成文字和 HTML 表格的开发者。

lift

datalab-to · 工具包

从 PDF 和图像中提取结构化数据。你提供一个 JSON 模式，它返回与之匹配的对象。这是 Datalab 的 9.7B 视觉语言模型，适合处理文档的开发者。

CyberRealistic XL

cyberdelia · 工具包

根据文字提示词生成写实照片风格的图像，针对人像、时尚和杂志风场景调优。这是基于 SDXL 1.0 的检查点，适合想用简短提示词得到电影感画面的设计师和创作者。

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。

Stable Diffusion v1.5 Archive

Comfy-Org · 工具包

为 ComfyUI 存档的 Stable Diffusion v1.5 检查点，把文字提示词变成图像，用于旧版本测试。包含原始文件和一个 FP16 副本。