开发者 AI 技能与智能体

QMA Camera Angles

gribbliest · 工具包

用一个简短的提示词，从新的相机角度重新渲染一张图片，是 Qwen Image 2.1 的编辑 LoRA。适合在 ComfyUI 或 diffusers 里编辑图片的艺术家和开发者。

DeepSeek-V4.1-Flash-1017 GGUF

ggml-org · 工具包

DeepSeek 的 748B 模型 V4.1 Flash 1017 的 GGUF 文件，由 ggml-org 转换并附带处理图片的视觉文件，适合有大内存机器、通过 llama.cpp 工具运行模型的人。

AuraSR-v2

fal · 工具包

用基于 GAN 的超分辨率模型把生成的图片放大四倍。由 fal 制作，适合想把生成图片放大的人。

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。

KVARK Sparkle 1.1 27B GGUF

Egzakta · 工具包

用多种大小的 GGUF 文件运行 27B 的 KVARK Sparkle 1.1 模型，可选图像输入和推测解码。适合用 llama.cpp、Ollama 或 LM Studio 在本地跑模型的人。

Qwen3.8-27B-Jumbo-Fusion-IQ-747-900-Turbo-Brilliance-50X

DavidAU · 工具包

DavidAU 对 27B Qwen 模型的 GGUF 微调版，有可切换的指令和推理模式，以及内置的帮助系统。Hugging Face 把它列为图文转文字。供本地运行。

Qwen3.8-27B-Cold-Fusion-GAIN-V1.1-NM-DAU-NEO-MAX-MTP-GGUF

DavidAU · 工具包

回答问题并读取图像，思考过程短得多。这是 DavidAU 对 27B 的 Qwen 3.8 的调优版 GGUF，目标是在保持准确度的同时减少推理 token，适合在本地运行模型的人。

FLUX.1-schnell for ComfyUI

Comfy-Org · 工具包

为 ComfyUI 重新打包的 FLUX.1-schnell 检查点，把文字提示词变成图像，带有一个运行更快、占用内存更少的 FP8 文件。适合 ComfyUI 用户。

safetensored-upscalers

AshtakaOOf · 工具包

把图像放大模型和少量其他图像到图像模型收集在一个仓库里，以 safetensors 文件提供，由旧的 pickle 文件转换而来。适合在自己电脑上运行放大模型的人。

Molmo2-4B

allenai · 工具包

回答关于图片、视频和多张图片的问题，还能指出它找到的内容。这是 Ai2 的开源视觉语言模型，适合自己运行模型的开发者和研究者。

GLM-5.3-Flash-BF16

zai-org · 工具包

一个 320B 参数、激活 18B 的多模态模型，能读文字和图像，思考预算可调，用混合注意力设计处理长上下文。适合有像样 GPU 基础设施的团队。

Wan2.1-VACE-1.3B

Wan-AI · 工具包

用 Wan2.1 的 VACE 模型根据提示词、静态图片或已有片段制作和编辑视频，视频里还能出现中英文文字。适合有消费级 GPU 的视频创作者和开发者。

TripoSplat

VAST-AI · 工具包

把单张 2D 图片变成数量可变的 3D 高斯，用于资产创作、AR 和 VR、游戏和仿真。VAST-AI 出品，适合 3D 创作者和开发者。

gemma-4-E2B-it-GGUF

unsloth · 工具包

Unsloth 制作的 Google DeepMind Gemma 4 E2B 指令微调模型的 GGUF 文件，接收文本和图像并输出文本，上下文为 128K。适合在笔记本和小型机器上本地运行模型的人。

gemma-3-4b-it-GGUF

unsloth · 工具包

在你自己的电脑上回答关于文字和图片的问题，是 Unsloth 打包的 Google Gemma 3 4B 指令模型的 GGUF 副本。适合想用小型本地模型的开发者和用户。

Inkling-Small-NVFP4

thinkingmachines · 工具包

Inkling-Small 的 NVFP4 版本，一个多模态混合专家模型，接收文本、图像和音频并输出文本。适合构建智能体、编程助手和其他 AI 应用的开发者。

MOSS-Image-SFT Segmentation Control LoRA

thedeoxen · 工具包

借助 MOSS-Image-SFT 把平涂色块的区域图重绘成新图片，保留区域形状，由提示词决定每个区域变成什么。适合使用 ComfyUI 的图像创作者。

MOSS-Image Normal Control LoRA

thedeoxen · 工具包

为 MOSS-Image-SFT 在 ComfyUI 里提供法线控制的 LoRA，根据彩色法线图保持物体的形状和体积，由提示词改变材质和场景，适合给形体重新贴材质和重新打光的人。

sd-vae-ft-mse-original

stabilityai · 工具包

这个模型用一个经过微调的解码器替换 Stable Diffusion 里的自动编码器，让重建的图像更平滑，尤其是人脸。适合运行原版 CompVis Stable Diffusion 代码、想让解码图像更好的人。

SenseNova-U1.5-8B-MoT

sensenova · 工具包

统一的多模态模型，用于生成和编辑图像，中英文文字清晰，支持原生 4K 输出，可通过框选和参考图控制。适合有大显存 GPU 的设计师和研究者。

Enhance Fibo2 (upscale)

rauldlnx10 · 工具包

这个模型在 Fibo-2.0-dev 之上，用一句触发短语生成增强效果的图像，配合 diffusers 库使用。适合已经在用 Fibo-2.0-dev、想要图像增强附加项的人。

Qwen-Image

Qwen · 工具包

把文字提示词变成图像，并能在图中渲染清晰的英文和中文文字。适合使用 diffusers 库的设计师、艺术家和开发者。

MiniCPM-V 4.6

openbmb · 工具包

能读懂单张图片、多张图片和视频并用文字回答，参数量 1.3B，适合在手机和其他边缘设备上运行。适合想要小型视觉语言模型的开发者。

Kromoss GGUF

molbal · 工具包

Kromoss 的 GGUF 量化副本，Kromoss 是基于 MOSS-Image-Base 微调的 1024 像素文生图模型，用于 ComfyUI。适合想在显存有限的 GPU 上生成图像的画师。

Florence-2-base

microsoft · 工具包

Microsoft 推出的小型视觉模型，通过更换文字提示词来做图像描述、目标检测和分割。适合需要用一个模型完成多种图像任务的开发者和研究者。

LongCat-Video

meituan-longcat · 工具包

用一个 13.6B 的模型，根据文字提示、一张静态图片，或接着已有片段往下写来生成视频。目标是 720p、每秒 30 帧的长片段，适合有 GPU 的开发者和研究人员。

π₀.₅ (Pi05) (LeRobot)

lerobot · 工具包

一个机器人控制模型，读取摄像头图像、机器人状态和可选的指令，输出连续动作。它是基础检查点，适合用自己的机器人数据做微调的研究者。

Qwen3.8-27B-Ridge-GGUF

empero-ai · 工具包

把 Qwen3.8-27B 压缩成每权重 3.7 位的 GGUF 文件来运行，适合 16 GB 的 GPU，还可选图像输入。适合用 llama.cpp、Ollama 或 LM Studio 在本地跑模型的人。

Qwen-Image-Edit

Comfy-Org · 工具包

为 ComfyUI 重新打包的 Qwen-Image-Edit 模型文件和 LoRA，附带根据文字指令编辑图片的工作流。适合修图和改风格的 ComfyUI 用户。

FLUX.2 Klein 4B for ComfyUI

Comfy-Org · 工具包

为 ComfyUI 重新打包的 FLUX.2 Klein 4B 模型文件，把文字提示词变成图像。包含扩散模型、文本编码器和 VAE，并附带现成的文生图工作流。

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。

Qwen3.6-35B-A3B GGUF (ShapeLearn Quantized)

byteshape · 工具包

Qwen3.6-35B-A3B 的量化 GGUF 版本，能读图片和文字，有从约 9 GB 起的 CPU 和 GPU 变体，用 ByteShape 的 ShapeLearn 制作。适合运行 llama.cpp 的开发者。

FLUX.2 [klein] 4B Base

black-forest-labs · 工具包

用开放的 4B 基础模型，根据文字提示和参考图生成并编辑图像，适合在一张消费级显卡上做微调、LoRA 训练和自定义流程。

FLUX 3 Image Klein Prompt Upsampler

black-forest-labs · 工具包

一个 9B 模型，把简短的图像请求、最多 10 张参考图和可选的边界框，变成一条给 FLUX 3 Image Klein 用的详细提示词。适用于编辑、文生图和布局工作。

Wan2.2-I2V-A14B

Wan-AI · 工具包

把一张静态图像变成 480P 或 720P 的视频，采用 Wan-AI 的专家混合设计。适合用图片生成视频的创作者和研究人员。

Qwen3.5-2B-GGUF

unsloth · 工具包

unsloth 制作的 Qwen3.5-2B 小型 GGUF 版本，能读图片和文字并用文字回答。适合在本地做原型、微调和研究。

Iris-3B

speridlabs · 工具包

通过直接绘制每个像素，根据文字提示生成 1024 像素的图像，不使用 VAE 或潜空间。微调后的版本可以估计深度，并修复或放大图像。适合视觉研究人员和图像创作者。

SenseNova-U1.5-8B-MoT-TailSteer

sensenova · 工具包

图像生成和编辑模型，连续多次编辑时更稳定，基于 SenseNova-U1.5-8B-MoT，加载步骤相同。适合反复编辑同一张图的设计师和研究者。

Jev-Omni

akhilaaa3 · 工具包

针对文字、图像、音频或视频提出的问题，对你列出的每个选项给出概率，而不是写一段解释。这是基于 Gemma 4 的 12B 分类器，适合需要带分数决策的开发者。

MiMo-V2.6-Flash-RL

XiaomiMiMo · 工具包

在同一个模型里处理文本、图像、视频和音频输入，上下文长达 1M token，适合长代码库和智能体运行。这是 XiaomiMiMo 推出的 311B 开放混合专家模型。

Bill Information Extraction

Theivaprakasham · 工具包

一个用在 sroie 上微调的 LayoutLMv3 模型，从账单或收据图片里提取信息的 Gradio 应用。适合想在浏览器里试用文档信息提取的开发者和学生。

Document Layout Detection

Theivaprakasham · 工具包

一个检测文档页面图片版式的 Gradio 应用，附带两张示例页面。适合想在浏览器里试用版式检测的开发者和学生。

Vc

kuark · 工具包

运行一个捆绑了 CLIP 和 taming-transformers 项目的 Gradio 应用，指向图像方面的工作。说明里没有写它生成什么，所以适合想读代码的开发者。

Anime Face Detector

hysts · 工具包

用纯 PyTorch 在 Gradio 页面里找出图片中的动漫人脸，并为每张脸估计 28 个关键点，适合画师、数据集制作者和机器学习开发者。

Danbooru Tags Transformer V2 with WD Tagger

John6666 · 工具包

给图片打上 Danbooru 风格的标签，并用 Florence-2 模型写图片说明。在浏览器里以 Gradio 应用运行，适合给动漫风格图片做标注或写说明的人。

Qwen3.6-35B-A3B-FP8

Qwen · 工具包

读取文本和图像并输出文本，是 Qwen3.6-35B-A3B 的 FP8 版本，激活参数 3B。适合运行编程智能体、又想比全精度下载更小的开发者。

Qwen3.6-27B

Qwen · 工具包

Qwen 的 27B 模型，读取文字和图片并用文字回复，针对编程智能体和仓库级工作调校，适合用 transformers 库运行它的开发者。

embeddinggemma-2-740m-litert-lm

litert-community · 工具包

为 LiteRT-LM 设备端运行打包的 740M 多模态 EmbeddingGemma 2。它把文字、代码、图片、视频和音频映射到同一个 768 维向量空间。

Licon VBVR for MiniMax-H3

LiconStudio · 工具包

一个用于 MiniMax-H3 的图生视频 LoRA，减少生成视频里物体重复、穿模和动作怪异的情况。适合用静态图做动画的 ComfyUI 用户。

gemma-4-26B-A4B

google · 工具包

读取文字和图片并输出文字，适合想在自己的 GPU 或工作站上，用 Google DeepMind 开放权重模型做编程、推理和图片提问的开发者。