开发者 AI 技能与智能体

d3-flash

vllm-sr · 工具包

一个 9B 模型，一次调用就能回答关于文字、图像或视频的多个选择、是非和打分问题，并为每个答案返回概率而不是生成文字。适合路由和决策任务。

d3

vllm-sr · 工具包

用一次调用回答关于文字、图像或视频的选择、是非和打分问题，为每个答案返回概率而不是文字。这是 27B 的决策模型，适合做路由和分流的开发者。

Wan2.2-I2V-A14B-GGUF

QuantStack · 工具包

提供 Wan2.2-I2V-A14B 的 GGUF 文件，这是一个把静态图片变成视频的 14B 模型，可在 ComfyUI 里配合 ComfyUI-GGUF 节点使用。适合在家用 GPU 上做短视频的人。

Mage-VL

microsoft · 工具包

Microsoft 推出的图像和视频多模态模型，像视频编码器存储视频那样读取视频，只保留变化的图块。适合做视频理解和流式处理的开发者和研究者。

d3-ultra

vllm-sr · 工具包

对同一份文本、图片或视频输入一次回答多个问题，为每个答案给出概率，不生成文字。这是 vLLM Semantic Router 推出的 27B 多模态决策模型。

d3-mini

vllm-sr · 工具包

一次调用就能回答关于文本、图片和视频的选择题、是非题和打分题，并为每个答案返回概率，而不是生成文字。适合需要给请求分流或分类的开发者。

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。

gemma-4-12b-it-GGUF

unsloth · 工具包

Unsloth 制作的 Google 指令微调 Gemma 4 12B 的 GGUF 量化版本，一个能读文字、图片、音频和视频并输出文字的模型，适合本地运行。

embeddinggemma-2-GGUF

unsloth · 工具包

把文字变成 768 维向量，用于设备端的搜索、检索和聚类。基础模型还支持图像、视频和音频。由 Unsloth 打包成 GGUF。

Qwen3.6-35B-A3B-NVFP4

nvidia · 工具包

NVIDIA 用 Model Optimizer 制作的、预先量化好的 Alibaba Qwen3.6-35B-A3B 的 NVFP4 版本。它能处理文本、图片和视频，可在 Hopper 或 Blackwell GPU 上用 vLLM 运行。

Llama-V-JEPA-LM-Qwen3-4B

kkt94 · 工具包

用一个 5.1B 的模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Qwen3-4B-Instruct-2507 上，适合有 16 GB 以上 GPU 的人。

Llama-V-JEPA-LM-Qwen3-1.7B

kkt94 · 工具包

用一个 2B 的模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Qwen3-1.7B 上，适合只有一块普通 GPU 的人。

Llama-V-JEPA-LM-Llama3.2-3B

kkt94 · 工具包

用一个 4.2B 的模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Llama-3.2-3B-Instruct 上，适合只有一块 12 GB 以上 GPU 的人。

Llama-V-JEPA-LM-Llama3.2-1B

kkt94 · 工具包

用一个 1.5B 的小模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Llama-3.2-1B-Instruct 上，适合只有一块普通 GPU 的人。

MiniCPM-o 4.5

openbmb · 工具包

一个 9B 模型就能处理图片、视频、语音和实时音视频流，并用英文和中文以文字和语音回答。适合构建语音和视觉助手的开发者。

Llama-V-JEPA-LM-Llama3.1-8B

kkt94 · 工具包

把冻结的 V-JEPA 2.1 视频编码器接到 Llama-3.1-8B-Instruct 上，用来回答关于视频片段的问题，适合做视频理解的人。

Qwen3.8-27B-NVFP4

unsloth · 工具包

Unsloth 制作的 Qwen3.8 27B 视觉语言模型的 4-bit NVFP4 副本，用 vLLM 提供服务。适合想要能读图像和视频、能在智能体工具里工作的稠密模型的开发者。

YOLO26

Ultralytics · 工具包

用 Ultralytics 的 YOLO 模型系列在图片和视频中找出物体，同系列还覆盖分割、分类、深度、姿态和跟踪。适合开发计算机视觉应用的开发者。

Llama-V-JEPA-LM-Qwen3-8B

kkt94 · 工具包

用一个 9.2B 的模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Qwen3-8B 上，适合有 24 GB 以上 GPU 的人。

Qwen3.8-27B NVFP4

nvidia · 工具包

NVIDIA 把阿里巴巴 Qwen3.8-27B 压缩成 4 位 NVFP4 的版本，用 Model Optimizer 制作，面向 Blackwell GPU，输入文字、图片和视频，输出文字。

MiMo-V2.6-Pro-RL

XiaomiMiMo · 工具包

在一个 1.02T 参数、1M 词元上下文的模型里同时处理文字、图像、视频和音频。它是小米 MiMo-V2.6 系列的旗舰，用大规模强化学习训练，面向编程和智能体工作。

Qwen3.8-27B-QSA-GGUF

higa2515 · 工具包

用 GGUF 文件运行带稀疏注意力的 Qwen3.8-27B，提供 Q8_0 和 Unsloth 的 Q4、Q5、Q6 混合版本，支持文字、图片和视频输入。适合使用 NVIDIA 显卡的 Linux 用户。

Clef

Cloudflare · 工具包

Cloudflare 的 27B 多模态模型，针对文本、JSON、图片或视频输入，为带类型的问题给出每个允许答案的分数，而不是写出自由文本。

gemma-4-12B

google · 工具包

Google 的 Gemma 4 12B Unified 模型，是能读文字、图片、音频和视频并输出文字的开放模型，上下文 256K，不需要单独的编码器。适合运行本地 AI 的开发者。

Qwen3.8-27B-FP8

Qwen · 工具包

用 Qwen3.8-27B 的 FP8 量化权重处理文字、图片和视频，它是带可调思考模式的 27B 稠密模型。适合用 transformers、vLLM 或 SGLang 部署它的开发者。

Alpie Seed 9B

169Pi · 工具包

用一个基于 Qwen3.5-9B 的 9B 开放权重模型处理文字、图片和视频，做推理和编程，并提供适合轻量硬件的 GGUF 版本。适合想要能离线运行的模型的开发者。

Wan2.2-TI2V-5B

Wan-AI · 工具包

用文字，或用图像加文字，生成 720P、24 fps 的视频，能在单块消费级显卡（如 4090）上运行。这是 Wan-AI 的 5B 视频模型，适合创作者和研究者。

embeddinggemma-2

google · 工具包

Google DeepMind 的开源嵌入模型，把文字、代码、图片、视频和音频放进同一个 768 维向量空间，可在笔记本和手机上运行。适合构建搜索和检索的开发者。

Uniformer_video_demo

Andy1621 · 工具包

一个 Gradio 演示，用 Andy1621/uniformer 模型给短视频打标签，带三段示例视频。适合想在浏览器里试用视频分类的人。

Omni-Video-Factory-API-iframe

Tanyakhan · 工具包

在浏览器或你自己的电脑上运行一个 Gradio 应用，它的名称把它和视频制作以及 iframe 里的 API 联系在一起。README 没有说明用途，所以它具体做什么并不明确。

omni-editor-img and vdo-api-iframe-ZeroGPUID

Saravutw · 工具包

在浏览器或你自己的电脑上运行一个 Gradio 应用，它的名称把它和图像编辑以及 iframe 里的视频 API 联系在一起。README 没有说明用途，所以它具体做什么并不明确。

Sora Revival

Robuxy0016 · 工具包

一个非官方演示，用 Open-Sora v1.2 由文字提示词或参考图片生成短视频。与 OpenAI 无关。可在 Hugging Face 上用，也可在自己电脑上运行。

First Order Motion Model 中文展示版

n97141506 · 工具包

在 First Order Motion Model 的中文 Gradio 演示里，用来源图片和驱动视频生成动画视频，并给出左右对照。适合探索动作迁移的学习者和开发者。

Gradio Lipsync Wav2lip

manavisrani07 · 工具包

在 Gradio 页面里运行 Wav2Lip 口型同步，把嘴部动作和语音音频对上，适合试验视频和语音工具的人。

Video Backend

maazahmadkhan8171 · 工具包

在浏览器或你自己的电脑上运行一个名为 Video Backend 的小型 Gradio 应用。README 没有说明用途，只能从名称和一个 yt-dlp 文件推测它的用处。

MoCapAnything V2

kehong · 工具包

把一段视频转成适用于任何物种或物体的预测 3D 姿态骨架，并提供 BVH 和 npy 文件下载。可以把动作重定向到与视频里不同的骨架上。

Video Background Removal

innova-ai · 工具包

用 BiRefNet 模型去掉或更换视频的背景，可以在浏览器里在线运行，也可以用 Python 在你自己的电脑上运行。

Zeroscope V2

hysts · 工具包

一个来自 hysts 的 Gradio 演示，用 zeroscope_v2_576w 模型做文字生成视频，可以在浏览器里在线运行，也可以用 Python 3.12.12 在你的电脑上运行。

LeapTalk

hugging-apps · 工具包

把一张人像照片和一段语音变成口型同步的说话人头像视频，是 LeapTalk 模型的演示，适合研究者、开发者和创作者。

MuseTalk 1.5

henrybit · 工具包

用参考图片或视频加一段驱动音频生成口型同步的视频，并提供嘴部区域的测试步骤。是给做说话人脸的人用的 Gradio 演示。

CCTV Visual RAG

alinawazmahar · 工具包

输入一句日常语言的描述，就能在监控视频里找到对应时刻，并返回最匹配的画面和时间戳。适合想搜索录像而不是逐帧拖动查看的人。

GGUF Model VRAM Calculator

DavidAU · 工具包

在浏览器里运行的静态页面，估算一个 GGUF 模型需要多少显存。适合想选一个能装进自己显卡的量化模型的人。

Qwen3.8-27B

Qwen · 工具包

能读懂文字、图片和视频并用文字回复的 27B 开源模型，面向编程、研究和多步骤智能体任务，适合自己部署模型的开发者。

Meng To Agent Skills（设计与构建智能体技能库）

MengTo · 技能

Meng To 的技能库，有 170 多个给设计师和开发者用的智能体技能。它涵盖网页设计、3D、插画、游戏和智能体工作流，开头是四个研究参考视频或页面、写出构建提示词的技能。

SigmaStudioz Agent Skills（编程智能体技能包）

sigmastudioz · 技能

SigmaStudioz 的 Lex 做的六个编程智能体技能。三个规范工程工作：按业务领域改代码、限时技术调研和成果复核。三个是视觉类：交互式图解和影片、视频分析，以及打包好的 React 特效。

visant-skills-public

pedrojaques99 · 技能

提供 Claude Code 技能，用来决定界面、动效和文案，在提交拉取请求前审查屏幕是否有千篇一律的 AI 设计，还能剪辑视频。适合前端开发者和设计师。

Open 3D Skills

Moh4696 · 技能

用八个技能教编程智能体搭建 3D 和动画网站，从 three.js 场景、滚动影片，到透明视频、跟随光标的角色和爆炸视图。适合网页开发者。

anymove

patch-gg · 技能

用单个 AI 视频为带骨骼绑定的生物制作 3D 动画，再导出为 GLB 文件。适合有 NVIDIA 显卡的游戏开发者和 3D 美术师。

Code Animation Prompts

XiaoyeCodes · 技能

一个包含 341 种风格提示词的资料库，用来制作用代码生成的动画，另附一个给 Claude Code 和 Codex 用的技能，负责挑选风格并规划镜头。适合制作短视频和片头的创作者。

Garden Skills（Garden 技能合集）

ConardLi · 技能

ConardLi 做的六个免费技能，给 AI 编程智能体用：代码渲染的动效视频、点击推进的网页演示、网页设计、GPT Image 2 提示词和出图、精美的 HTML 文章，以及基于本地知识库的问答。