开发者 AI 技能与智能体

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。

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。

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。

Qwen3.8-35B-A3B-Distill-GGUF

empero-ai · 工具包

用十种尺寸的 GGUF 文件运行一个 35B 混合专家模型，每个 token 约 3B 参数在工作，另附视觉投影文件。适合 llama.cpp、Ollama、LM Studio、Jan 和 KoboldCpp 用户。

Qwen3.5-9B-Base

Qwen · 工具包

为研究人员和开发者提供带视觉编码器的预训练 9B 基础模型，用于微调和实验，而不是直接聊天。能处理文本和图像。

Alpie Seed 9B GGUF

169Pi · 工具包

通过三种位深的 GGUF 文件，在你自己的机器上运行 169Pi AI 的图文模型 Alpie Seed 9B。适合想在本地做视觉语言对话的开发者。

Cactus runtime

Cactus-Compute · 工具包

提供预编译的运行时二进制文件，在手机、笔记本、服务器和浏览器上本地运行文字、语音和视觉模型。适合在应用里发布设备端 AI 的开发者。

Qwen3.8-27B GGUF (ShapeLearn Quantized)

byteshape · 工具包

用 ByteShape 的 ShapeLearn 量化出的 Qwen3.8-27B GGUF 文件，提供五种适合不同显卡的版本，在 llama.cpp 里支持图片输入和 MTP 推测解码。适合在自己的显卡上运行它的人。

Mage-VL-Cowork

microsoft · 工具包

用一个约 4B 参数的小型视觉语言模型，根据截图和终端命令来操作电脑，由 Microsoft 开发，适合构建或研究电脑操作智能体的人。

Qwen3.8-Flash-Next-GSQ-RCO-GGUF

ISTA-DASLab · 工具包

Qwen3.8-Flash-Next 的 GGUF 版本，有四种大小，每个张量用各自的精度量化，并带有支持图片输入的视觉投影文件，适合在本地运行大型混合专家模型的人。

Unlimited-OCR

baidu · 工具包

用 Baidu 的 3.3B 视觉语言模型把文档图片和多页 PDF 解析成文字，适合把 OCR 和文档解析加入自己工具的开发者。

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

ISTA-DASLab · 工具包

ISTA-DASLab 制作的 Qwen3.8-27B GGUF 版本，共四种大小，每个张量用各自的精度量化，并带有处理图片的视觉投影文件。适合在 llama.cpp、Ollama 或 LM Studio 里本地运行模型的人。

Holocron

frgfm · 工具包

frgfm 做的 Gradio 演示，对应 Holocron，一个用 PyTorch 写成的近期计算机视觉技术合集，用的是 rexnet1_0x 模型。适合想在浏览器里试用它的图像模型的人。

Projected GAN

autonomousvision · 工具包

一个 Gradio 应用，封装了 autonomousvision 团队的 GAN 图像生成器，可在浏览器里试用。README 没有描述，具体输入和输出要看页面。

Image Caption With Vit Gpt2

Amrrs · 工具包

一个为图片写简短说明的 Gradio 应用，把视觉 Transformer 和 GPT-2 类文本模型配在一起。适合想在浏览器里试用图片说明的人。

DINOv3 Web

webml-community · 工具包

在浏览器本地可视化 DINOv3 模型从图像中提取的密集特征。适合想查看这些特征的开发者和视觉研究人员。

ToolVision Detector

moindedroper · 工具包

在你上传的照片里找出扳手、螺丝刀、锤子和钳子，使用在浏览器里运行的 YOLO26n 模型。适合想私下检查照片的创客和工坊。

Grounding DINO Demo

merve · 工具包

根据文字描述在图片里找物体，不需要固定的标签清单。这是 Grounding DINO 开放集检测器的 Gradio 演示，适合开发者和视觉研究人员。

Qwen3 VL Demo

Qwen · 工具包

Qwen 团队为其 Qwen3 VL 视觉语言系列做的 Gradio 演示。可在浏览器里用，也可在装有 Python 的自己电脑上运行。

SAM3 + Qwen3.5

prithivMLmods · 工具包

一个多目标跟踪的浏览器演示，结合了 SAM 3 模型和一个 2B 的 Qwen3.5 模型。适合想不安装任何东西就试用跟踪的计算机视觉开发者和研究者。

WeVisOne-VL-2B

hugging-apps · 工具包

在图片上试用腾讯的 WeVisOne-VL-2B 视觉语言模型，从找物体、数数、读文字到抠出主体。适合做图像理解的开发者和研究者。

一个把 Google Drive 里的图片变成可搜索文字的 n8n 工作流。它读取图片的颜色数据，让 OpenAI 视觉模型给出关键词，再把两者作为一份文档存进向量库。

Qwen3.5-4B-3D-Coder

ccore · 工具包

根据文字提示词编写代码和可交互的 Three.js 3D 场景，加上可选的视觉文件后还能参考图片生成。这是一个 4B 微调模型的早期预览，适合想试用小模型的人。

Platform Design Skills（各平台设计规范技能包）

ehmo · 技能

ehmo 为编程智能体做的八个设计技能，覆盖 iPhone、iPad、Mac、Apple Watch、Vision Pro、Apple TV、Android 和网页。里面是来自 Apple HIG、Material Design 3 和 WCAG 2.2 的规则，附带代码，用来审查或搭建界面。

Project AIRI 开源虚拟角色

moeru-ai · 工具包

Moeru AI 的开源虚拟角色，灵感来自主播 Neuro-sama。它可以在你的桌面或浏览器里运行，聊天模型、声音和视觉都由你自己选。Minecraft、Discord 和 Telegram 机器人需要从源码运行。

The Agency 专业智能体库

msitarzewski · 工具包

msitarzewski 的 agency-agents 仓库里的一套 AI 智能体文件。每个智能体都是一位专家，有自己的性格、流程和交付物。为 Claude Code、Copilot、Codex、Cursor 等工具装一个部门，再点名你要的智能体。

Supervision 计算机视觉工具库

roboflow · 工具包

Roboflow 出品的免费开源 Python 库，用来搭建计算机视觉应用。它能把检测结果画出来、统计区域内的物体、转换数据集、给模型打分。安装说明覆盖 pip、conda、uv、模型和跟踪器、数据集和基准测试。