开发者 AI 技能与智能体

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。

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。

rakedoc-nano-2

cloudraker · 工具包

把文档页面图片解析成文字、表格和图表，并保留 markdown 格式。这是 1.2B 参数的模型，图表提取更好，适合构建文档流水线的开发者。

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。

LightOnOCR-3-4B

lightonai · 工具包

读取文档页面图片，返回 markdown 文本，或带边界框的标注块、图片描述和图表数据。适合构建 OCR 和文档理解流程的开发者。

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。

Nemotron 3.5 Parse

nvidia · 工具包

读取扫描件、PDF、幻灯片和表单的页面图像，返回其中的文字、表格、图表数据、阅读顺序和边框，输出为 Markdown、HTML 或 JSON。NVIDIA 推出的 631M 参数模型，面向开发者。

THX-02

HAL-X-AI · 工具包

针对一条消息、文档、图片或图表里的纯文字问题，在几十毫秒内给出每个选项的概率，适合做工单分流和记录分类的开发者。

一个自托管的 n8n 工作流，为你的其他工作流提供一个 Docsify 站点。它列出各工作流的状态和标签，并用 GPT 和 Mermaid 图把每个工作流的文档写进你指定的文件夹。

claude-quickstarts

anthropics · 工具包

为开发者提供基于 Claude API 构建应用的入门项目，包括客服智能体、带图表的金融数据聊天和桌面控制环境。