开发者 AI 技能与智能体

mmBERT-base

jhu-clsp · 工具包

能读取并编码 1,800 多种语言的文本，用于分类、嵌入、检索和完形填空任务。适合要微调多语言编码器的开发者和研究者。

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。

ClipProj-MiniMax-H3

NicoLab28 · 工具包

让小型 Qwen3-VL 在 ComfyUI 里代替 MiniMax H3 的 32B 文本编码器，把显存从 15.7 GB 降到 4.5 GB。这是需要自定义节点的概念验证项目。

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。

SPEAR XLarge v2

marcoyang · 工具包

把 16 kHz 的语音和通用音频转成每帧 1280 个数字的特征，是约 6 亿参数的预训练 Zipformer 编码器。适合为语音识别或音频标注做微调的研究者。

LightVAE

lightx2v · 工具包

通过 ComfyUI 节点或 Python 脚本，为 Wan2.1、Wan2.2 和 MiniMax-H3 换上更轻的视频自编码器部件。适合想要紧凑 VAE 组件的视频 AI 用户。

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。

GLM-5.3-Flash-oQ4e-mtp

Jundot · 工具包

zai-org 的 GLM-5.3-Flash 多模态混合专家模型的混合精度 MLX 副本，约每个权重 4.6 位，包含视觉编码器和多词元预测头。

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。

ARK-ASR-3B

Edge0 · 工具包

用 Whisper 风格的音频编码器加 Qwen 解码器，把多种语言的语音转成文字。适合需要多语言转写的开发者和研究者，卡里给出了英文和中文的结果。

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。

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。

ModernBERT-large

answerdotai · 工具包

预测英文文本或代码中被隐藏的词，微调之后可作为更大的长上下文编码器，用于搜索、分类和检索。适合想要更大号 ModernBERT 的开发者和研究者。

ModernBERT-base

answerdotai · 工具包

预测英文文本或代码中被隐藏的词，微调之后可作为长上下文编码器，用于搜索、分类和检索。适合需要快速 BERT 风格编码器的开发者和研究者。

VieGem-ASR

5CD-AI · 工具包

转写越南语以及越南语和英语混合的语音，可离线处理，也可按 0.48 秒的块流式处理，使用基于 Google EmbeddingGemma 2 音频编码器的 359M 参数模型。仅限非商业使用。

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。

Qwen3.8-27B-oQ6e-mtp

Jundot · 工具包

Qwen3.8-27B 的混合精度 MLX 副本，约每个权重 6.9 位，包含视觉编码器和多词元预测头，可在 Apple 芯片上本地运行。

Qwen3.6-35B-A3B-oQ6e-mtp

Jundot · 工具包

Qwen3.6-35B-A3B 的混合精度 MLX 副本，约每个权重 6.8 位，包含视觉编码器和多词元预测头，可在 Apple 芯片上本地运行。

V-JEPA 2

facebook · 工具包

把视频和图片转成嵌入向量，用于视频分类、检索，或作为视觉语言模型的视频编码器。由 Meta 的 FAIR 打造，适合处理视频的开发者和研究人员。

CLM-v0.1-8B

Contrastive-LM · 工具包

为给定的状态，给候选答案、动作或工具名各打一个概率，而不是写文字。这是建在冻结的 Qwen3-8B 编码器上的快速决策模型，适合智能体和分流工具的构建者。