开发者 AI 技能与智能体

Qwen-Image-Layered

Qwen · 工具包

把一张图片拆成几个透明的 RGBA 图层，这样你可以重新上色、缩放、移动或替换其中一块，而不影响其他部分。适合有 CUDA 显卡的设计师和开发者。

VGGT-1B

facebook · 工具包

一次前向计算就能从一张、几张或上百张图片推断出场景的 3D 结构，包括相机参数和深度图。适合计算机视觉开发者和研究人员。

Ornith-1.5-9B-GGUF

AtomicChat · 工具包

Ornith 1.5 9B 的 GGUF 版本，这是一个能读图像和文字的模型，文件大小从 2.81 GB 到 17.9 GB，另有视觉投影文件。选一个适合你显存的文件，在本地运行。

Idol-ComfyUI

PedroMarinhoDev · 工具包

在 ComfyUI 里把一张物体图片变成完整的 3D 高斯点云，适合想用单张图片得到 3D 的美术人员和开发者。

MOSS-Image-IDM-2-Steps

akhaliq · 工具包

用两步、不带引导的方式从文字生成图片，是 MOSS-Image-SFT 的一个小适配器，另有第二个适配器可做轻度图片编辑。适合在本地运行图像生成的人。

MiMo-V2.6-Pro-MOPD

XiaomiMiMo · 工具包

用 1T 参数的混合专家模型处理文本、图像、视频和音频，并经过调教，在智能体工作中更少重复调用工具。适合能托管超大模型的团队。

Wan2.2-TI2V-5B-Diffusers

Wan-AI · 工具包

根据文本提示或图像加文字生成视频片段，最高 720P、每秒 24 帧，Diffusers 格式，适合单块消费级 GPU。

d3-turbo

vllm-sr · 工具包

在一次调用中回答关于文字、图片或视频的选择、是非、打分、框选和跟踪类问题，并为每个答案给出概率。适合构建路由或视觉检查的人。

d3-nano

vllm-sr · 工具包

在一次调用中回答关于文字、图片或视频的选择题、是非题和打分题，并为每个答案给出概率。适合做路由和分诊的工程师使用的 2B 决策模型。

d3-edge

vllm-sr · 工具包

在一次调用中回答关于文字、图片或视频的选择题、是非题和打分题，并为每个答案返回概率。适合做路由和分诊的工程师使用的小型决策模型。

Qwen3.6-27B-GGUF

unsloth · 工具包

在本地处理智能体编码和图文任务，是 Unsloth 提供的 Qwen3.6-27B 的 GGUF 文件，支持思考保留和长上下文。适合运行本地编码智能体的开发者。

gemma-3-27b-it-GGUF

unsloth · 工具包

用 Google 的 Gemma 3 27B 指令微调模型回答关于文本和图像的问题，提供 Unsloth 制作的 GGUF 文件，可在你自己的电脑上运行。支持 128K 词元上下文。

gemma-3-12b-it-GGUF

unsloth · 工具包

用 Google Gemma 3 12B 指令模型的 GGUF 文件回答问题、总结文本并读图，适合想在自己电脑上运行它的人。

Laya Vision

thaitea · 工具包

针对一张图像，以选项、是非概率或评分等级的形式一次性回答问题，还能根据屏幕像素玩简单的游戏，有 201M 参数。适合构建图像分诊的开发者。

Stable Diffusion v1-5

stable-diffusion-v1-5 · 工具包

这个 860M 参数的潜在扩散模型根据文字提示词生成图像，可用于 diffusers、ComfyUI 等工具。适合想用经典开源 Stable Diffusion 检查点的研究人员和开发者。

stable-diffusion-inpainting

stable-diffusion-v1-5 · 工具包

用带额外遮罩输入的 Stable Diffusion 根据文字生成写实图像，并填充图片中被遮罩的区域，可用于 diffusers 或 AUTOMATIC1111。适合设计师、编辑和开发者。

TripoSR

stabilityai · 工具包

一次前向计算就能从单张图片生成 3D 模型，由 Stability AI 和 Tripo AI 制作，适合想从图片快速得到 3D 的开发者、美术人员和研究人员。

MAGI-2 Preview

sand-ai · 工具包

大型音视频生成模型，可根据文字提示词，或提示词加一张静态图，生成带声音的 10 秒视频，并提升到 1080p。适合拥有八块 Hopper GPU 服务器的研究者。

Juggernaut XI v11

RunDiffusion · 工具包

RunDiffusion 推出的文生图模型，属于 Juggernaut SDXL 系列，擅长照片风格图像，手部、面部和提示词遵循都有改进。适合用 ComfyUI、Forge 等工具的图像创作者。

Qwen3.8-27B-NVFP4

RadixArk · 工具包

Qwen3.8-27B 的预量化 NVFP4 版本，能读取文字、图片和视频并用文字回答，通过 SGLang 在 NVIDIA Blackwell 显卡上提供服务。适合在该硬件上运行智能体、聊天机器人和 RAG 的开发者。

Qwen3.5-122B-A10B

Qwen · 工具包

这个模型同时读图像和文字并用文字回答，是总参数 122B、激活参数 10B 的混合专家模型。适合有大型 GPU 服务器、想用开源视觉语言模型做推理、编程和智能体的团队。

Qwen-Image-2512

Qwen · 工具包

根据英文或中文提示词生成图片，在人物真实感、自然细节和图中文字上比八月的 Qwen-Image 更好。适合使用 diffusers 的开发者和设计师。

Gender-Classifier-Mini

prithivMLmods · 工具包

用微调后的 SigLIP 2 图像模型把照片分成女性或男性两类。适合想要一个小型 Python 分类器来处理照片集的开发者和研究人员。

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。

pplx-decider-flash-gguf-v1.2

perplexity-ai · 工具包

根据你设定的选项给请求分类，支持文本和图像，使用小型决策模型的 Q8_0 GGUF 副本。适合能运行协议 v3 运行时的开发者。

PP-OCRv6_small_rec

PaddlePaddle · 工具包

能读出图片里的英文和中文文字，是 PaddleOCR 的 PP-OCRv6 系列里的小型模型。适合想在自己机器上用轻量 OCR 的开发者。

Primal VAE

ostris · 工具包

提供小型图像自编码器，把图片压成一两个潜变量通道，不需要缩放系数，再通过分块拼成 Flux 或 Stable Diffusion 的潜变量形状。适合搭建扩散模型的人。

RealVisXL V5.0 GGUF

off-grid-ai · 工具包

用 stable-diffusion.cpp 加上 RealVisXL V5.0 的 GGUF 副本，在你自己的电脑上根据文字生成图片。适合想在本地生成图片、并在更轻或更高质量的文件之间选择的人。

Juggernaut XL v9 GGUF

off-grid-ai · 工具包

用 stable-diffusion.cpp 加上 Juggernaut XL v9 的 GGUF 副本，在你自己的电脑上根据文字生成图片。适合想在本地生成图片、并在更轻或更高质量的文件之间选择的人。

DeepSeek-V4.1-Flash-NVFP4

nvidia · 工具包

读取文本和图像并输出文本，是 NVIDIA 制作的 DeepSeek-V4.1-Flash 的 NVFP4 精简版本。适合在 NVIDIA Blackwell GPU 上部署智能体、聊天机器人和检索系统的开发者。

AIRealNet-2

Modotte · 工具包

一个小型图像分类器，区分 AI 生成的图片和人类拍摄的照片，针对不同质量的社交媒体图片做了调整。适合筛查图片的审核员、研究者和事实核查人员。

Qwen3.6-35B-A3B-4bit

mlx-community · 工具包

Qwen3.6-35B-A3B 的 4-bit MLX 转换版，可在 Apple Silicon Mac 上回答文本和图片提示词。适合想用 mlx-vlm 在本地运行这个 Qwen 模型的人。

Leanstral 1.5 119B A6B

mistralai · 工具包

Mistral 为 Lean 4 证明助手推出的开源代码智能体模型。它能证明定理、修复 Lean 代码，支持文本和图像，可通过 Mistral API 或你自己的 vLLM 服务器运行。

TRELLIS-image-large

microsoft · 工具包

用微软的大型图像条件 TRELLIS 模型，从一张图片生成 3D 资产。适合想从图片获得 3D 内容的开发者、游戏美术和研究人员。

Phi-4-multimodal-instruct

microsoft · 工具包

紧凑的 56 亿参数模型，接收文字、图像和音频并用文字回复，上下文 128K token。适合想用一个小模型同时处理语音、视觉和文字的开发者。

Florence-2-large

microsoft · 工具包

把图片和一条简短的任务提示词配对，就能给图片写说明、找出物体、读出图中文字。适合用 transformers 在 Python 里跑视觉任务的开发者和研究人员。

Muse Glimmer 30B GGUF

meta-models · 工具包

一个 300 亿参数智能体模型的 GGUF 版本，供 llama.cpp 使用，附带可选的图像编码器和推测解码草稿模型。适合在 24 GB 显卡上本地运行模型的人。

DeepSeek-V4.1-Flash-1017-FLARE

local-inference-lab · 工具包

为四卡 GPU 服务准备的 DeepSeek V4.1 Flash 1017 签名 Flare 运行时包，支持文本和图片，提供兼容 OpenAI 的 API。适合在自有 NVIDIA 硬件上运行大模型的人。

Qwen3.8-27B-MLX-8bit

lmstudio-community · 工具包

在 Apple Silicon Mac 上运行 8 位 MLX 版本的 27B 图文模型，适合想在本地回答图片问题的人。

ControlNet v1.1 depth (SD 1.5)

lllyasviel · 工具包

用深度图引导 Stable Diffusion 1.5，让生成的图像保持原图的布局。这是 diffusers 格式的 ControlNet v1.1，适合想控制构图的艺术家和开发者。

Gemma 4 12B IT (LiteRT-LM)

litert-community · 工具包

在你自己的桌面上运行 Gemma 4 12B，支持文本、图像和音频输入，不需要联网。这是 LiteRT-LM 版本，适合想在 Windows、macOS 或 Linux 上私密地本地生成的开发者。

MiniMax-H3-TAE

Kijai · 工具包

一个训练得很快的小型解码器，在 ComfyUI 里生成 MiniMax-H3 视频时提供实时画面预览，比默认的 latent2rgb 预览更清楚。

MOSS-Image FP16-fixed

KBlueLeaf · 工具包

MOSS-Image Base 和 SFT 的图像 transformer，权重经过重新缩放，可在 fp16 下运行而不溢出，输出保持一致。适用于 diffusers、ComfyUI 和 KohakuMoss。

DiT-Wikiart-Small

kaupane · 工具包

为小型扩散 transformer 预测噪声，它在 Wikiart 画作上从零训练，用来根据流派和风格生成艺术图片。适合研究小型图像模型的开发者和学生。

Kandinsky S2V 1.0 Lite distilled

kandinskylab · 工具包

把一张参考图和一段语音变成头像视频，让整个人物随语音动起来。蒸馏版 Lite 只需 16 步，速度约为基础版的 5 倍。

Qwen3.8-27B-oQ8e-mtp

Jundot · 工具包

把 Qwen3.8-27B 做成 8 位混合精度的 MLX 检查点，带视觉编码器和 MTP 头，用于苹果硬件上的图文聊天。适合想在本地得到接近完整质量的人。

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。

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。

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。

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。

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。

MoGe

Comfy-Org · 工具包

从单张图片估计 3D 几何和深度，是为 ComfyUI 重新打包的 MoGe 模型文件，附带生成网格和深度图的工作流。适合处理 3D 和深度的 ComfyUI 用户。

t5-v1_1-xxl-encoder-gguf

city96 · 工具包

Google T5 v1.1 XXL 文本编码器的 GGUF 转换版，用于在 llama.cpp 里生成文本嵌入，或通过 ComfyUI-GGUF 为图像生成模型提供输入。适合开发者和图像生成用户。

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。

Qwen3.5-9B GGUF (ShapeLearn)

byteshape · 工具包

Qwen3.5-9B 的 GGUF 副本，这个模型能读文字和图像，用 ByteShape 的 ShapeLearn 压缩，面向 llama.cpp。有 GPU 和 CPU 的版本，大小约从 3 GB 到 5.7 GB。

Qwen3.5-4B GGUF

bartowski · 工具包

Qwen3.5-4B 的 imatrix GGUF 量化版本，这是一个带 MTP 层的 4.3B 图文模型，4 位文件约 3 GB。适合在本地运行小模型的人。

google_gemma-4-31B-it-GGUF

bartowski · 工具包

Google Gemma 4 31B 指令模型的量化 GGUF 文件，大小从 17.15 GB 到 61.41 GB，由 bartowski 用重要性矩阵制作。可读取图像和文字。可在 llama.cpp、LM Studio 等工具里运行。

ERNIE-4.5-VL-28B-A3B-Thinking

baidu · 工具包

读取图像和文字并进行推理，29.7B 参数中同一时间约有 3B 处于激活状态。涵盖读图表、根据照片解 STEM 题、视觉定位和放大图像。Apache 2.0。

MOSS-Image-SFT GGUF

axiomofmind · 工具包

MOSS-Image-SFT 扩散 Transformer 的非官方 GGUF 文件，有 Q8_0 和 Q4_K_S 两种，用 stable-diffusion.cpp 在本地做文字生成图像。需要另外准备 Qwen3.5-9B 编码器、分词器和 VAE。

AuroraIMG2-50M-Preview

AuroraAI-Research · 工具包

微型文字生成图像模型，根据英文提示词生成固定 256 乘 256 的图片，基于从零训练的 50.4M 流匹配 Transformer。这是一个预览版本，适合研究人员和爱好者。

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。

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。

Qwen3.5-35B-A3B-GGUF

unsloth · 工具包

在你自己的机器上读取文字和图片、编写代码并调用工具，使用 Unsloth 刷新后的 Qwen3.5 35B-A3B 视觉语言模型 GGUF 文件。适合运行本地智能体的开发者。

Chroma1-HD

lodestones · 工具包

用基于 FLUX.1-schnell 的 8.9B 开放基础模型把文字提示词变成图片，是为想微调自己图像模型的艺术家和开发者准备的起点。

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。

Occamy-1.0

Accio-Lab · 工具包

Accio-Lab 推出的开放 35B 图文模型，基于 Qwen3.6-35B-A3B，提供 BF16、GGUF、FP8、NVFP4 和 MLX 格式。适合部署大模型的团队。

Smaug-Decisions

abacusai · 工具包

针对音频、图像或文本的提问，一次前向传播就给出每个选项的概率，不生成文字。这是从 Gemma 4 E4B-it 微调而来的 4B 决策模型。

GLM-5.3-Flash EXL3 Spark

0xSero · 工具包

在一台 DGX Spark 上以 256k 词元的上下文和图像输入运行 GLM-5.3-Flash，使用每权重约 2.31 位的混合 EXL3 版本。适合在单台小型机器上托管大模型、看重质量而不是速度的人。

BiRefNet

ZhengPeng7 · 工具包

在高分辨率下把图像分成主体和背景，来自 2024 年一个二分图像分割研究项目。适合开发者、图像编辑人员和计算机视觉研究人员。

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。

Z-Image-Turbo-GGUF

unsloth · 工具包

Unsloth 制作的 Z-Image-Turbo 的 GGUF 文件，这是一个快速的蒸馏文生图模型，作者称它能放进 16 GB 的消费级 GPU。适合用支持 GGUF 的工具在本地生成图像的人。

Muse Glimmer 30B GGUF

unsloth · 工具包

在本地运行一个能读文字和图片、调用工具并在调用失败后重试的 30B 智能体模型，使用 Unsloth 的 GGUF 文件。适合在消费级硬件上构建本地智能体的开发者。

Falcon OCR

tiiuae · 工具包

用一个小型 270M 参数模型读取文档图片，返回文字、LaTeX 公式或 HTML 表格，支持扫描件、收据和手写内容。

MOSS-Image Scribble Control LoRA

thedeoxen · 工具包

在 ComfyUI 里为 MOSS-Image-SFT 提供涂鸦控制的 LoRA，把黑底上的白色粗线条变成成品图，由提示词决定质感和风格，适合从草图出发的人。

MOSS-Image Lineart Control LoRA

thedeoxen · 工具包

为 MOSS-Image-SFT 在 ComfyUI 里提供线稿控制的 LoRA，可以给线稿上色，或把照片变成保留线条结构的新场景，适合重绘线稿和设计草图的人。

MOSS-Image Canny Control LoRA

thedeoxen · 工具包

在 ComfyUI 里为 MOSS-Image-SFT 提供 Canny 边缘控制的 LoRA，保留照片的轮廓，让提示词改变材质、颜色和风格，适合编辑和重绘图片的人。

Wan2.1-VAE-upscale2x

spacepxl · 工具包

把 Wan2.1 的 VAE 解码器换成能 2 倍放大并消除斑点和颗粒噪声的版本，可用于 ComfyUI 和 diffusers。适合用 Wan 或 Qwen 模型生成图像的人。

Realistic_Vision_V5.1_noVAE

SG161222 · 工具包

这是一个没有内置 VAE 的 diffusers 检查点，用文字提示词生成写实图像，附带推荐的采样器、反向提示词和放大设置。适合设计师、创作者和开发者。

MageTrail

RicemanT · 工具包

这个模型根据 booru 风格的标签提示词生成插画，是 MageFlow 4B 图像模型的 2.8B 参数微调版。适合使用 ComfyUI、想用标签生成插画的爱好者和研究人员。

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。

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。

Qwen3.8-27B-QSA-GSQ-RCO-GGUF

pentacoxian-dev · 工具包

在一块 24 GB 的 GPU 上，以 262K token 的上下文和图片输入运行带稀疏注意力的 Qwen3.8-27B，是 GGUF 文件，适合有定制版 llama.cpp 引擎的人。

P-JiT-21K-ComfyUI

PedroMarinhoDev · 工具包

在 ComfyUI 里根据文字提示生成图像，用的是 Linum 的 2B 参数 P-JiT 21K 模型，提供 bf16 和 int8 文件，4 GB 空闲显存就能运行。适合显卡配置一般的 ComfyUI 用户。

MiniCPM-V-4.7-1B-gguf

openbmb · 工具包

通过 llama.cpp 运行 1B 视觉语言模型，回答关于图片的文字提示词。提供多种量化大小的 GGUF 文件，适合想要小型本地模型的开发者和爱好者。

MOSS-Image SFT Destripe LoRA

nynxz · 工具包

用一个 1.9 MB 的 LoRA 去掉 ComfyUI 里 MOSS-Image SFT 画面中淡淡的竖向色条，另提供把 q、k、v 拆开的检查点。适合用 MOSS-Image 出图的 ComfyUI 用户。

Qwen3.5-0.8B-weight-space-programming-GGUF

NotCherry · 工具包

把 Qwen3.5-0.8B weight-space-programming 模型打包成适用于 llama.cpp 的 GGUF 文件，包括 4 位文本模型和用于图像输入的独立视觉投影文件。

Comet 60B

MultiverseComputingCAI · 工具包

Multiverse Computing 的 61.1B 多模态模型，是 NVIDIA Nemotron 3.5 Super 的压缩版本，接收文本、图像和视频，并保持约 12B 参数被激活。适合想用更少 GPU 通过 vLLM 部署大型开放模型的团队。

Qwen3.6-35B-A3B-8bit (MLX)

mlx-community · 工具包

Qwen3.6-35B-A3B 的 8 位 MLX 转换版，能读文字和图像并用文字回答，用 mlx-vlm 工具运行。适合想在本地运行大型视觉语言模型的开发者。

TAEF2

madebyollin · 工具包

用一个微型自动编码器实时预览 FLUX.2 的图像生成，它与 FLUX.2 VAE 使用相同的潜空间格式。适合图像应用开发者和内存有限的人。

Ming-Image-0.1-Design

inclusionAI · 工具包

inclusionAI 的 6B 文生图模型，适合界面设计稿、信息图、海报等文字较多的设计，还支持透明背景（RGBA）输出。