开发者 AI 技能与智能体

Inkling

thinkingmachines · 工具包

读取文字、图片和音频并写出文字，是一个庞大的开放多模态模型，适合编码助手、智能体和聊天机器人。适合有多 GPU 服务器或托管 API 的开发者。

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。

Haruka-Tagger

KaraKaraWitch · 工具包

一次为动漫风格插画打上多达 98,782 个 Danbooru 标签，涵盖画师、角色、版权、通用特征、年份和分级。适合整理或检索图片集合的人。

DeepSeek-V4.1-Flash-1017-Basalt

jesdga · 工具包

把 DeepSeek V4.1 Flash 打包成单个模型文件供 Basalt 引擎使用，它在一张 NVIDIA Blackwell GPU 上运行，放不下的专家由系统内存承担。支持图片，上下文最长 1,048,576 个词元。

Qwen3.5-4B-GGUF

unsloth · 工具包

Unsloth 制作的 Qwen3.5-4B GGUF 量化版本，一个能读图片和文字并用文字回答的小模型，适合在本地运行模型的人。

TRELLIS.2-4B

microsoft · 工具包

微软的 4B 图片转 3D 模型，把一张图片变成带 PBR 材质的有纹理 3D 网格，分辨率最高到 1536，适合有大显存 NVIDIA GPU 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。

LightOnOCR-3-0.8B

lightonai · 工具包

LightOn 的 0.8B 小型 OCR 模型，把页面图片读成 markdown，在 grounding 模式下还会给每个区块标上边界框。是 LightOnOCR-3 系列中快速、轻量的尺寸。

gemma-4-E4B-it

google · 工具包

接收文字、图像和音频输入并输出文字，上下文 128K token，支持 140 多种语言。这是 Google DeepMind 的小型指令微调 Gemma 4 模型，为在笔记本和手机上运行而设计。

GLM-OCR

zai-org · 工具包

读取文档图像中的文字、公式和表格，并从中提取结构化信息，支持八种语言。这是 zai-org 的小型 OCR 模型，面向开发者和文档处理流水线。

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。

pplx-decider-flash-v1.2

perplexity-ai · 工具包

Perplexity 的小型决策模型，基于 Qwen3.5-4B，读取文字和图片，用概率回答选择题、是非题和打分题，适合快速分流和分诊。

gemma-4-E2B-it

google · 工具包

接收文字、图像和音频输入并输出文字，上下文 128K token，支持 140 多种语言。这是 Google DeepMind 最小的指令微调 Gemma 4 模型，为手机和笔记本而设计。

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。

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。

Qwen3.5-9B-GGUF

unsloth · 工具包

Unsloth 制作的 Qwen3.5-9B GGUF 量化版本，一个能读图片和文字并用文字回答的中等规模模型，适合在本地运行模型的人。

gemma-4-E4B

google · 工具包

Google DeepMind 的 Gemma 4 系列中的 E4B 模型，一个能读文字、图片和音频并输出文字的开放模型，面向笔记本和手机运行而设计。

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。

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。

indra-ocr

datalab-to · 工具包

能在 CPU 上运行的小型 OCR 模型，把 PDF 和图片转成 markdown、文本，或带框的 JSON。能读手写和 80 多种语言。适合开发者和数据团队。

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。

stable-diffusion-xl-base-1.0

stabilityai · 工具包

Stability AI 的 SDXL 基础模型，通过 diffusers 库根据文字提示词生成和编辑图片，可单独使用，也可搭配精修模型。

Arete-27B-GGUF

AtomicChat · 工具包

用六种尺寸的 GGUF 文件运行 Nous Research 的 Arete 27B，这是 Qwen3.8-27B 的微调版，能读文字和图像，并附有实测的质量损失。适合在自己 GPU 上运行大模型的人。

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。

FLUX.2 [klein] 4B

black-forest-labs · 工具包

Black Forest Labs 的小型图像模型，能根据文字生成图片，也能参照图片编辑，速度快，适合在消费级显卡上做交互式使用。

Qwen3.6-35B-A3B-GGUF

unsloth · 工具包

用 Unsloth 的 GGUF 文件运行 Qwen3.6-35B-A3B，这是能读图和文字的混合专家模型，每个词元只用约 3B 参数。适合在本地运行大模型的开发者。

Inkling-Small

thinkingmachines · 工具包

读取文字、图像和音频并用文字回答，面向开发助手、编程工具和智能体的开发者。这是稀疏混合专家模型，总参数 276B，每个词元激活 12B。

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。

Anima-RGBA

localai0301 · 工具包

通过 4 通道 VAE 和配套 LoRA，让 Anima 模型输出透明背景（RGBA）图像，用于 ComfyUI。适合需要带干净 alpha 通道的抠图的画师。

gemma-4-26B-A4B-it

google · 工具包

Google 发布的经指令微调的 Gemma 4 模型，读取文字和图像并输出文字，支持可配置的思考、函数调用，上下文窗口最长 256K 词元。适合开发者和研究者。

MOSS-Image-SFT-8-steps-dmd

lodestones · 工具包

把 MOSS-Image-SFT 的出图步数减到 8 步且不用 CFG，以 ComfyUI 的 LoRA 文件提供。这是一个仍在进行中的蒸馏，适合在本地生成图像的人。

Qwen3.5-0.8B

Qwen · 工具包

读取图片和文字并用文字回复，来自 Qwen 的 873M 小模型。适合想用轻量多模态基础模型做原型或微调的开发者和研究者。

Qwen3.5-4B

Qwen · 工具包

用一个 4B 的混合架构模型处理文字和图片输入，支持 201 种语言和方言，上下文为 262,144 个 token。适合在 transformers、vLLM 或 SGLang 里运行小型开放权重的开发者。

Muse Glimmer 30B

meta-models · 工具包

读取文字和图片，在本地机器上完成工具调用、多步推理等智能体任务，是从 Muse Spark 蒸馏出的 30B 模型。适合构建本地智能体的开发者。

Xiaomi-OCR-0

xiaomi-research · 工具包

用 Xiaomi 的一个 0.8B OCR 模型解析文档，并回答关于图片中文字的问题，涵盖表格、公式和手写，适合构建 OCR 和文档工具的开发者。

MOSS-Image-Base

OpenMOSS-Team · 工具包

用一个 5.1B 的文生图模型根据文字生成图片，可以用普通提示词、标签序列或 JSON 布局来安排文字和物体。适合有 NVIDIA 显卡的开发者和设计师。

Kromoss

lodestones · 工具包

用 MOSS-Image-Base 在 1024 px 下的完整微调版本根据文字生成图片，另附两个 8 步加速 LoRA。可直接替换 MOSS-Image-SFT，适合 diffusers 和 ComfyUI 用户。

moss_image_base_dmd2

data-archetype · 工具包

作为 MOSS-Image-Base 模型的蒸馏 LoRA，用 8 步而不是 50 步根据文字出图。适合想要更快生成图片的 ComfyUI 和 Diffusers 用户。

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。

Z-Image-Turbo

Tongyi-MAI · 工具包

只用 8 次函数评估就能根据文字生成写实图片，并能渲染英文和中文文字。适合想在 16 GB 消费级显卡上快速生成图片的人。

Qwen3.6-35B-A3B

Qwen · 工具包

用一个 35B 的混合专家模型处理编程、仓库级推理和图文输入，它激活 3B 个参数。适合在 transformers、vLLM 或 SGLang 里运行开放权重的开发者。

HairDeck

hyz317 · 工具包

把一张角色图片变成风格化的 3D 发片，带颜色和用于动画的弹簧骨骼链，可导出为 GLB 网格或 VRM 虚拟形象，适合有 CUDA GPU 的虚拟形象创作者和 3D 美术。

Qwen3.5-9B

Qwen · 工具包

Qwen 的 9B 开放模型，能读取文字和图片并输出文字，上下文很长，支持 201 种语言和方言，适合想在自己硬件上用中等规模模型的开发者。

MOSS-Image-SFT

OpenMOSS-Team · 工具包

OpenMOSS 的文生图模型，由 MOSS-Image-Base 微调而来，可以读取普通提示词、标签或 JSON 布局来摆放文字和物体，适合在 NVIDIA GPU 上用 diffusers 生成图片的人。

DeepSeek-V4.1-Flash-1017-GGUF

unsloth · 工具包

Unsloth 制作的 DeepSeek-V4.1-Flash-1017 的 GGUF 量化版本，这是一个巨大的图文模型，可在 128 GB 或更多内存的机器上本地运行，适合自己运行大型开放模型的人。

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

ISTA-DASLab · 工具包

Qwen3.8-Flash-Next 的偏编程 GGUF 版本，去掉了一半专家，把 BF16 的 354 GB 缩到 58.4 GB，同时保留图片输入，适合有大机器、想在本地用编程模型的人。

Idol

Comfy-Org · 工具包

在 ComfyUI 里把一张图片变成 3D 高斯点云，使用重新打包的 TripoSplat 微调模型文件，适合在 ComfyUI 工作流里用图片生成 3D 的人。

gemma-4-31B-it

google · 工具包

Google DeepMind 推出的 31B 指令微调模型，能读文字和图片并输出文字，上下文 256K，可配置思考模式，适合在工作站或服务器上运行开放模型的开发者。

MOSS-Image-heal

KBlueLeaf · 工具包

KBlueLeaf 对 MOSS-Image-Base 文生图模型做的微调，缩小了其内部数据流里的极大值，同时让输出和基础模型保持接近。适合 ComfyUI 和 diffusers 用户以及数值研究人员。

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。

MOSS-Image

Comfy-Org · 工具包

为 ComfyUI 重新打包的文生图和图像编辑模型文件，来自 OpenMOSS 的 MOSS-Image 系列，适合在节点工作流里生成或编辑图片的 ComfyUI 用户。

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。

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。

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。

TorchCAM 类激活图

frgfm · 工具包

frgfm 做的 Docker 应用，为 PyTorch 模型生成类激活图，比如 CAM 和 Grad-CAM，显示图像模型看了哪里。适合想在浏览器里看它输出的开发者。

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。

Lama Example

CVPR · 工具包

来自 CVPR 组织的 Gradio 应用，有较大的代码库和示例图片，指向填充图片中被遮罩的部分。README 没有描述。

Anime Image Labeller

curt-tigges · 工具包

一个 Gradio 应用，用仓库里训练好的模型文件给动漫图片打标签，附带标签列表和笔记本。适合想在浏览器里试用图片打标签的人。

Clasificador_de_mascotas

cabustillo13 · 工具包

一个 Gradio 应用，名字在西班牙语里是宠物分类器的意思，用已保存的模型处理宠物照片，带三张示例照片。适合想试用小型图像模型的人。

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。

Practica1

AP2122 · 工具包

一个用已保存的模型处理图片的 Gradio 应用，带建筑和森林两张示例图片。适合想在浏览器里试用小型图像模型的人。

Uniformer_image_demo

Andy1621 · 工具包

一个 Gradio 演示，用 Andy1621/uniformer 模型给图片分类，带四张示例图片。适合想在浏览器里试用图像分类的人。

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。

Image Text Detection

ajitrajasekharan · 工具包

一个 Streamlit 应用，用 microsoft 的 TrOCR 手写模型读取图片里的手写文字。适合想在浏览器里试用手写识别的人。

Pytorch Image Classifier

abidlabs · 工具包

一个基于 Gradio 3.0.17 的图像分类演示，带两张示例照片：猎豹和狮子。适合想在浏览器里试用图像分类的人。

Pytorch Image Classifier

abidlabs · 工具包

一个 Gradio 图像分类演示，带四张示例照片：香蕉、汽车、猎豹和狮子。适合想在浏览器里试用图像分类的人。

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。

Vela 3.0 · Studio

vllm-sr · 工具包

用一个在 CPU 上运行的 0.25B 小型编码器回答关于图像或文本的问题：指出物体、提取字段、找出 OCR 错误或在选项间做判断。适合想试用这个模型的开发者。

PhotoMaker V2

TencentARC · 工具包

TencentARC 为 PhotoMaker V2 模型做的 Gradio 演示，基于 RealVisXL V4.0 图像模型和一个草图适配器。适合想在浏览器里试用 AI 照片生成的设计师和研究人员。

InstantMesh

TencentARC · 工具包

把单张图像变成 3D 模型，页面称这大约需要十秒。它来自 TencentARC，适合 3D 美术师、游戏开发者和研究人员。

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。

Idol Imagine Fast

prithivMLmods · 工具包

在基于 idol、Z-Image-Turbo 和 BiRefNet 模型的 Gradio 应用里，用文字提示词生成图片。可在浏览器里用，也可在装有 Python 3.12 的自己电脑上运行。

MEDFE Inpainting Studio

KumaPower · 工具包

用 MEDFE 图像修复模型补全图像中被遮盖的空洞，并展示它的结构和纹理预测。可以把结果和带遮罩的输入对比，并下载为 PNG。

CSA Inpainting Studio

KumaPower · 工具包

补全图像中被遮盖的空洞，并把 Coherent Semantic Attention 方法的两个阶段并排展示，一个是粗略结果，一个是精修结果。适合研究图像修复的人。

Pose Skeleton Multi-Orang (DWPose/RTMW)

kulkas2pintu · 工具包

把照片转成 OpenPose 风格的姿态图，专门应对一帧里多人互相重叠的情况。这些图可以当作 ControlNet 姿态模型的控制图。在 CPU 上运行。

Natural Text to Danbooru Tags with Transformer V2

John6666 · 工具包

用语言模型和标注模型，把普通话语的描述转成 Danbooru 风格的标签。在浏览器里以 Gradio 应用运行，适合给图片写标签式提示词的人。

SmolVLM

HuggingFaceTB · 工具包

一个来自 HuggingFaceTB 的 Gradio 演示，对应 SmolVLM2-2.2B-Instruct 模型，附带示例图片，可以在浏览器里在线运行，也可以用 Python 3.10 在你的电脑上运行。

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。

Chat With Janus-Pro-7B

deepseek-ai · 工具包

和 DeepSeek 的 Janus-Pro-7B 模型聊天，它既能理解图片也能生成图片，生成的图片会做 2 倍放大。适合想在浏览器里试用多模态模型的人。

EmbeddingGemma 2 in the Browser

Caspivs · 工具包

在浏览器里为文档排序、跨语言比较句子，并用文字搜索你自己的图片，你输入或上传的内容不会离开你的设备。适合探索嵌入的人。

Z Image Turbo

Tongyi-MAI · 工具包

Tongyi-MAI 为 Z-Image-Turbo 图像模型做的 Gradio 演示，带 MCP 标签，文件里有提示词检查和一个安全检查模型。适合想试用 AI 图像生成的设计师和开发者。

PhotoMaker

TencentARC · 工具包

TencentARC 的 Gradio 演示，基于它的 PhotoMaker 模型和 RealVisXL 图像模型，带有风格模板和示例输入。适合想在浏览器里试用 AI 照片生成的设计师和研究人员。

OpenPose

ovi054 · 工具包

一个 Gradio 应用，从名字来看，它把图片变成 OpenPose 结果，也就是人体姿态的骨架。适合需要从图片得到姿态图的艺术家和开发者。

LBM Relighting

jasperai · 工具包

一个来自 jasperai 的 Gradio 应用，用 Latent Bridge Matching 快速给图像重新打光，可以在浏览器里在线运行，也可以用 Python 3.12 在你的电脑上运行。

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。

P-JiT 21K

hugging-apps · 工具包

用 P-JiT 21K 根据文字提示生成图片，这是一个直接在像素空间工作的扩散 Transformer，并带有给短提示扩写的功能。适合图像生成的研究者和开发者。

NitroFusion2

ChenDY · 工具包

用 NitroFusion2 只需一两步就能从文字生成图片，它是基于 Z-Image-Turbo 的模型，页面运行在 ZeroGPU 硬件上。适合想要快速文生图结果的人。

Idol Image to 3D

AmandaCat · 工具包

把一张物体图片变成可以旋转、缩放并下载为 PLY 文件的 3D Gaussian Splat。适合想尝试图片转 3D 的创作者和开发者，带 API 和 MCP 服务器。

Image To Text

Jonny001 · 工具包

用 Florence-2-base 模型把上传的图片转成文字提示词。在浏览器里以小型 Gradio 应用运行，使用基础 CPU 硬件。

MOSS-Image 8-step DMD

hugging-apps · 工具包

用 MOSS-Image-SFT 的蒸馏版本，在 Gradio 页面里 8 步从文字生成图片，运行在 ZeroGPU 硬件上。这是一个仍在开发中的演示，适合想要更快文生图的人。

Idol Turbo

akhaliq · 工具包

把一张图片变成 3D 物体，比 Idol 快约 12x，用的是只需 6 步而不是 50 步的蒸馏版本。适合想快速得到图片转 3D 结果的人。

FLUX.1 [dev]

black-forest-labs · 工具包

在 Gradio 页面里运行 Black Forest Labs 的 FLUX.1 [dev] 图像模型，运行在 Hugging Face 的 ZeroGPU 硬件上。适合想在浏览器里试用或复制代码的人。

TRELLIS

trellis-community · 工具包

用 microsoft/TRELLIS-image-large 模型，从一张图片生成 3D 内容。这是一个 Gradio 页面，可以在浏览器里打开，也可以在自己的电脑上运行。

Z-Image Lookalike LoRA Index

nphSi · 工具包

一个静态网页，为 ZI Base、ZI Turbo 和 Ming 模型的 LoRA 附加文件做索引，在浏览器里打开即可。README 只有一行，所以索引怎么组织并不明确。

一个 n8n 工作流，检查一张图片里是不是你的 Qdrant 集合认识的作物。Voyage AI 把图片转成向量，再用一句简短的文字说出最接近的作物，或者发出警报。

一个 n8n 工作流，把一张图片和一句简短的提示语发给 Google Gemini，再把它返回的框画在图片上。提示语说明要找什么，示例要找的是兔子。

一个 n8n 工作流，用同一段示例文字演示五种调用 OpenAI 聊天模型的小例子：写摘要、译成德语、写出图片提示词、要 SVG 代码，以及起草快速回复。