浏览 AI 技能、智能体和自动化

anaksor-ocr

Sokheng · 工具包

这个模型从文档、收据和路牌照片里读取高棉语和英语文字，用一个检测器找文本行，再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。

Qwen3.8-27B-Longbook27-v2

summerAIO · 工具包

用经过微调、采用 Gated DeltaNet 层的 27B 模型，对整本书长度的文字做摘要、问答和续写，支持英语和日语。适合处理长文档的人。

Unlimited-OCR-2-GGUF

RX5950XT · 工具包

Unlimited-OCR-2 文档 OCR 模型的 GGUF 文件，提供 BF16、Q8_0 和 Q4_K_M，并附视觉投影器。只能在应用了仓库补丁的 llama.cpp 里运行，适合在本地读取扫描和多页文档的人。

pplx-embed-v2-context-9b

perplexity-ai · 工具包

把文本、图像和文档页面转成用于搜索的向量，还能在嵌入每个分块时参考它所在的整篇文档。适合为长文档做检索的开发者。

MiniCPM-OCR 1.0 GGUF

openbmb · 工具包

把中英文文档（包括 PDF）解析成文本、表格和公式，提供给 llama.cpp 使用的 GGUF 文件。适合在自己机器上运行 MiniCPM-OCR 1.0 的人。

NuExtract3

numind · 工具包

以文本或图像读取文档，按你要的字段填写 JSON 模板，或把页面转成 Markdown。这是一个 4B 模型，适合处理扫描件、表单和发票的团队。

mSlideOn

lightonai · 工具包

把查询和文档变成可用倒排索引检索的稀疏向量，支持多种语言和长文本。这是一个 339M 参数的多语言检索模型，适合构建搜索的人。

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。

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。

Chroma Context-1

chromadb · 工具包

一个 200 亿参数的搜索模型，为复杂的多步问题找出支撑文档，并在搜索中修剪自己的上下文。设计成与更大的推理模型搭配的检索助手。

Dolphin

ByteDance · 工具包

读取文档页面图像，按阅读顺序分两个阶段提取其中的文字、表格、公式和图表。一个紧凑的 398M 模型，适用于中文和英文文档。

OvisOCR2

ATH-MaaS · 工具包

文档解析模型：读取一页图像，按阅读顺序输出 Markdown，涵盖文字、公式和表格。约 0.8B 参数，通过 vLLM 运行。适合做文档数字化的开发者。

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。

Xiaomi-OCR-0-GGUF

prithivMLmods · 工具包

提供 Xiaomi-OCR-0 的 GGUF 文件，这是一个用来读取文档和图片文字的 0.8B 紧凑视觉语言模型，大小从约 466 MB 到 1.52 GB。适合配合 llama.cpp 做本地 OCR。

pplx-embed-v2-late-0.6b

perplexity-ai · 工具包

用 ColBERT 风格的模型给查询与文本、图像和文档页面打分，每个词元保留一个小向量。适合为混合文档搭建搜索的开发者。

SPARSEUP

Linkup-Platform · 工具包

Linkup 推出的 188M 参数英文稀疏检索模型，把查询和文档变成带权重的词表用于搜索。它在 BEIR 上得 56.4 分，是 1.5 亿参数以下公开结果中最好的。

PaddleOCR-VL

PaddlePaddle · 工具包

读取文档图像并返回其中的文字，是参数不到十亿的视觉语言模型。适合在自己的机器上用 PaddleOCR 解析中英文文档的人。

SlideOn

lightonai · 工具包

LightOn 推出的英语稀疏检索模型，把查询和文档变成稀疏向量，用于倒排索引搜索。适合做英文文本检索的搜索工程师和开发者。

Chandra OCR 2

datalab-to · 工具包

读取图片和 PDF 中的文字，返回保留页面布局的 markdown、HTML 或 JSON。能处理手写、表单、表格和数学公式，支持 90 多种语言，适合做文档数字化的人。

Kev-4B

jaredpalmer · 工具包

读取一份文档和带类型的问题，一次计算就为每个答案选项返回校准过的概率，不生成文字。这是基于 Qwen3.5-4B 的决策模型，适合需要给文档分流、分诊或检查的开发者。

Qwen2.5-VL-7B-Instruct-GGUF

unsloth · 工具包

Unsloth 制作的 Qwen2.5-VL-7B-Instruct 的 GGUF 文件，这个视觉语言模型能读图像、图表、文档和长视频，还能输出坐标和结构化数据。适合在本地运行它的人。

PaddleOCR-VL-1.6

PaddlePaddle · 工具包

读取图片并返回其中的文字，专为解析中英文文档而做。这是 PaddlePaddle 推出的 959M 参数模型，通过 PaddleOCR 库运行。

MiniCPM-OCR 1.0

openbmb · 工具包

OpenBMB 的 1.3B 模型，能读取英语和中文文档，解析文字、表格、公式、图表和印章，并提取关键字段。

KURE-Sparse-nano

nlpai-lab · 工具包

一个紧凑的韩英稀疏检索模型，把查询和文档变成稀疏向量，用于倒排索引搜索，适合做韩语搜索的团队。

bge-m3

BAAI · 工具包

把 100 多种语言的文字转成向量用于搜索，从短句到 8192 词元的文档都行。一个模型同时支持稠密、多向量和稀疏检索。由 BAAI 发布。

Hy4-preview

tencent · 工具包

用一个 770B 参数的混合专家模型生成文字、代码和文档，它激活 49B 个参数，支持最长 1M 的上下文。适合有硬件来托管超大开放权重的团队。

Xiaomi-OCR-0

xiaomi-research · 工具包

用 Xiaomi 的一个 0.8B OCR 模型解析文档，并回答关于图片中文字的问题，涵盖表格、公式和手写，适合构建 OCR 和文档工具的开发者。

Unlimited-OCR-2

baidu · 工具包

百度的 3.3B 文档解析模型，面向长文档，用 SR-SWA 注意力让解码成本几乎保持不变，提供 Transformers 和 SGLang 两条使用路线。适合要把长报告和书籍数字化的团队。

OPF Image Anonymizer

ysharma · 工具包

用 OCR 和 OpenAI 的 Privacy Filter 在截图和其他图片里的个人信息上盖上可编辑的黑条，适合经常分享聊天、邮件或文档截图的人。

MiniCPM5 WebGPU

ProCreations · 工具包

在浏览器标签页里用你自己的 GPU 运行 MiniCPM5 2B 模型，可以聊天，也能生成网站、Word 文档、Excel 工作簿和 PDF。适合想要免安装本地助手的人。

GLM OCR 演示

prithivMLmods · 工具包

在浏览器里用 GLM-OCR 模型读取文档图片中的文字和结构。适合想试用复杂文档 OCR 又不想配置环境的人。

EmbeddingGemma 2 in the Browser

Caspivs · 工具包

在浏览器里为文档排序、跨语言比较句子，并用文字搜索你自己的图片，你输入或上传的内容不会离开你的设备。适合探索嵌入的人。

Intelligent Content Organizer MCP Agent

Agents-MCP-Hackathon · 工具包

为 PDF、文本、Word 和图片文件建立索引，再按语义搜索、总结、打标签、分类并回答问题。这是带 Gradio 页面的 MCP 服务器，适合文档很多的人。

Chakkhu Khmer OCR

muyleanging · 工具包

从一行文字或整页印刷品的图片里读出高棉语和英语文字，返回文字、置信度和行框。这是一个在 CPU 上运行、带免费 API 的演示，适合数字化高棉语文档的人。

Xiaomi OCR 0 Demo

loongwayX · 工具包

在基于 Docker 的文档工作台里，用 Xiaomi-OCR-0 模型解析图片和 PDF，提取字段，并回答关于文档的问题，需要 GPU。

Unlimited OCR Works 2 Studio

baidu · 工具包

用 Unlimited-OCR-2 模型把上传的页面图片或最多 20 页的 PDF 解析成排好版的 Markdown，带实时流式显示和渲染视图。适合做文档数字化和测试 OCR 的人。

MinerU Document Extraction Tools

opendatalab · 工具包

用运行在 ZeroGPU 上的 MinerU 演示，从 PDF、Office 文件和其他文档里提取内容。适合把文档变成结构化文本的开发者和数据团队。

Unlimited OCR

baidu · 工具包

用百度的 Unlimited-OCR 模型从图片和文档里读出文字，是一个 Gradio 页面，运行在 Hugging Face 的 ZeroGPU 硬件上。适合需要从图片中取出文字的人。

一个根据公司文档回答问题的 n8n 工作流。它盯着一个 Google Drive 文件夹，用 Gemini 把新文件存进 Pinecone，n8n 聊天窗口里的智能体再根据最接近的片段作答。

一个 n8n 工作流，根据你放在 Qdrant 里的文档为每封新邮件起草回复，并通过 Gmail 把草稿发给审批人。通过的回复发给发件人，有反馈就交给审阅智能体改写。

一个 n8n 工作流：根据你放在 Qdrant 里的自有文档起草邮件回复，再通过 Gmail 把草稿发给你，带 Approve 和 Disapprove 按钮。Approve 发出回复，Disapprove 则要求重写。

一个 n8n 工作流，服务 WooCommerce 店铺的聊天。商品问题交给目录搜索，关于店铺的问题则根据存在 Qdrant 集合里的店铺文档来回答。

一个 n8n 工作流，用来回答通过邮件发来的公司问题。它先概括每封邮件，再到 Qdrant 知识库里查你的文档，用 AI 写出回复，并通过 SMTP 发出。

kotaemon 文档问答应用

Cinnamon · 工具包

Cinnamon 的开源网页应用，用来和你的文档对话。你上传文件，选一个 API 或本地模型，就能得到带引用的回答，引用可以在 PDF 阅读器里打开。可以用 Docker、发布版 zip 或源码运行。

MaxKB 企业级智能体平台

1Panel-dev · 工具包

1Panel-dev 的开源平台，用来在你自己的服务器上搭建企业级智能体。它用 RAG 从你的文档里找答案，用 MCP 工具跑工作流，本地模型和托管模型都能接，例如 DeepSeek、Qwen、OpenAI 和 Claude。

Khoj 个人 AI 第二大脑

khoj-ai · 工具包

Khoj 的 AGPL-3.0 个人 AI 应用，能根据网上的内容和你自己的笔记、文档回答问题。安装说明涵盖用 Docker 或 pip 运行、选聊天模型，以及在 Obsidian、Emacs、桌面应用、网页和 WhatsApp 里使用。

STORM 知识整理与文章写作系统

stanford-oval · 工具包

斯坦福开放虚拟助手实验室的开源系统，会在网上研究一个主题，写出带引用的长篇文章。Co-STORM 让你参与研究。安装说明涵盖 Python 包、模型、搜索服务、你自己的文档和演示界面。

MiniCPM-V 端侧多模态模型

OpenBMB · 工具包

OpenBMB 的开源多模态模型。MiniCPM-V 4.7 能读图片、文档和视频，MiniCPM-o 4.5 还能听、能说。安装说明涵盖 Transformers、Ollama、llama.cpp、vLLM、SGLang、托管 API 和手机应用。

RAGFlow 检索增强生成引擎

infiniflow · 工具包

InfiniFlow 的开源 RAG 引擎，带智能体功能。你把文档载入数据集，RAGFlow 读出版面、文字和表格，聊天时给出带引用的回答。安装说明覆盖 Docker、源码构建、本地模型、MCP 和 API。