开发者 AI 技能与智能体

flux_text_encoders

comfyanonymous · 工具包

提供用于 Flux 图像模型的文本编码器检查点，为 ComfyUI 的 DualClipLoader 节点而做。适合在自己电脑上运行 Flux 的 ComfyUI 用户。

SeedVR2

Comfy-Org · 工具包

借助 ByteDance Seed 的 SeedVR2 3B 和 7B 重新打包的文件，在 ComfyUI 里放大图片和视频，提供多种精度格式。适合在自己电脑上用 ComfyUI 做放大的用户。

Animagine XL 4.0

cagliostrolab · 工具包

根据标签式文字提示词生成动漫风格图片，是在大型动漫数据集上重新训练的 Stable Diffusion XL 微调模型。适合使用 diffusers、ComfyUI 或 Stable Diffusion WebUI 的画师和开发者。

joey-1

baselabs · 工具包

用一个 2B 模型，针对文本或图片回答是非题、选择题和打分题，并返回校准过的概率。适合需要自动分流、分诊或分类请求的团队。

MOSS-Image-SFT-4-steps

akhaliq · 工具包

让 MOSS-Image-SFT 文生图模型只用 4 步、无需引导就能出图，只需一个 LoRA 文件。可渲染英文和中文文字，适合 ComfyUI 和 diffusers 用户。

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。

Qwen3.5-0.8B-GGUF

unsloth · 工具包

unsloth 制作的 Qwen3.5-0.8B 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。

QwenImage-2.1-Texture-Inpaint-Outpaint-Lora

TawusGames · 工具包

TawusGames 发布的 LoRA，从名字看用于 Qwen Image 2.1 的纹理局部重绘和外扩。模型页没有更多说明。

Qwen3.8-27B IQR-V4

StillDeadcode · 工具包

把 Qwen3.8-27B 压缩成十五种大小，每个权重约 2.5 到 8 位，面向 AMD RDNA4 GPU 上的 radiance 引擎，内含图片读取和提速草稿器。

Qwen3.5-35B-A3B

Qwen · 工具包

能读图像和文字的多模态聊天模型，总参数 35B，每次只启用其中 3B。适合用 Transformers、vLLM 等自己部署大模型的开发者。

Qwen3.5-27B

Qwen · 工具包

读取文字和图片并写出文字，是带视觉编码器的 27B Qwen 模型，原生上下文为 262,144 个词元。适合在服务器级硬件上构建助手和智能体的开发者。

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。

Qwen3.8-27B-4bit (MLX)

mlx-community · 工具包

Qwen3.8-27B 的 4 位 MLX 转换版，能读文字和图像并用文字回答，用 mlx-vlm 工具运行。适合想在本地运行视觉语言模型的开发者。

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。

DeepSeek-V4.1-Flash-1017 EXL3 EAQ v1 2.9 bpw

Mia-AiLab · 工具包

DeepSeek-V4.1-Flash-1017 的 2.9 bits-per-weight EXL3 量化版本，能读取文本和图片。它把模型压缩到约 210 GB，供 exllamav3 运行时使用，模型卡还测量了它与原模型的贴近程度。

MOSS-Image-Base 8-step data-space DMD

lodestones · 工具包

对 MOSS-Image-Base 的一个仍在进行中的蒸馏，8 步、无需引导即可出图，以 LoRA 和数据空间采样器的形式提供。适合试验快速文生图采样的人。

gemma-4-12B-it-qat-q4_0-gguf

google · 工具包

以 4-bit GGUF 文件运行 Google 的 Gemma 4 12B 指令微调模型，使用量化感知训练制作。能读取文本和图片，适合笔记本和消费级显卡。

gemma-4-12B-it

google · 工具包

接收文字、图片和音频并输出文字回答，是 Google DeepMind 的 12B 指令微调模型，上下文 256K 词元，思考模式可配置。适合在本地运行开放模型的开发者。

Fibo 2.0

Comfy-Org · 工具包

借助 BRIA AI 重新打包的 Fibo 2.0 文件，在 ComfyUI 里编辑图片，提供 bf16 和 int8 两种版本，以及 Dev 和 Turbo 编辑工作流。适合在自己电脑上用 ComfyUI 的用户。仅限非商业许可。

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-E4B-it-GGUF

unsloth · 工具包

Google Gemma 4 E4B 指令模型的 4-bit GGUF 版本，由 Unsloth 打包，可在你自己的机器上运行。它能读取文字和图像，并用文字回答。

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。

Pixal3D

TencentARC · 工具包

从单张图片生成详细的 3D 网格，几何与像素对齐，并带 PBR 纹理。适合在自己的 NVIDIA GPU 上运行图像转 3D 的图形研究者和开发者。

Qwen3.5-2B

Qwen · 工具包

Qwen 的小型 2B 模型，读取文字和图片并用文字回复，适合用 transformers 库做原型、微调或研究的开发者。

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。

LongCat-Next

meituan-longcat · 工具包

把文字、图像和音频作为离散 token 统一处理的原生多模态模型，参数 74.3B。适合构建能看、能听、能生成内容的应用的研究人员和开发者。

JDI-Decision-V1

JoyIndustrial · 工具包

以选项和概率回答关于文本和图像的结构化问题，是京东工业推出的决策系统，基于 Qwen3.8-27B 并内置 OCR。适合需要分派或分类请求的团队。

Qwen3.5-0.8B Astra Weight Edit

JonathanColetti · 工具包

直接编辑两个权重张量，不经训练，修复 Qwen3.5-0.8B 在思考模式下陷入的重复循环。这是一个小型图文模型，可用于 Transformers、vLLM、llama.cpp 和浏览器。

gemma-4-E2B

google · 工具包

处理文本、图片和音频输入并输出文本，是为笔记本和手机设计的小型 Gemma 4 模型。来自 Google DeepMind，有效参数 2.3B，上下文 128K。

gemma-4-31B

google · 工具包

读取文字和图片并输出文字，适合想用 Google DeepMind 最大的稠密开放权重 Gemma 4 模型做编程、推理和图片提问的开发者和研究人员。

Qwen3.8-27B-GGUF

ggml-org · 工具包

以 GGUF 文件形式运行 Qwen3.8-27B，这是一个 26.9B 的模型，能读图片和文字并用文字回复，通过 llama 工具在本机使用，适合想把它放在自己电脑上的你。

Pixal3D

Comfy-Org · 工具包

Comfy-Org 打包的 Pixal3D 的 ComfyUI 即用文件，附带从单张图片或多个视角生成 3D 模型的工作流。基于 TencentARC 的 Pixal3D 模型。

DeepSeek-V4.1-Flash-1017-Sushi-STQ-1.75bpw

beamster · 工具包

让 261B 的 DeepSeek V4.1 Flash 模型在 Apple Silicon Mac 上通过 sushi 引擎运行，权重压到约每个 1.75 比特，支持图片输入，上下文最长 1,048,576 个词元。

AuroraIMG2-100M

AuroraAI-Research · 工具包

用一个在单块显卡上从零训练的 100M 参数小模型，根据文字生成 256x256 的图片。适合想运行或研究小型文生图模型的人。

OvisOCR3

ATH-MaaS · 工具包

用一个 0.8B 模型读取文档图片，返回文字、结构化 JSON、带公式和表格的 Markdown、关键字段和图表说明。适合构建 OCR 和文档流程的开发者。

MOSS-Image-CharRef

7err4 · 工具包

在 ComfyUI 中，为 MOSS-Image Base 提供的 LoRA，凭一张参考图在新场景里画出同一个角色，无需为每个角色单独训练。适合动漫和插画角色，支持单张图片和漫画页。

Z-Image

Tongyi-MAI · 工具包

根据文字描述生成图片，拥有 6.2B 参数，是 Z-Image 系列完整的未蒸馏基础模型。适合想要精细控制结果的创作者、研究人员和开发者。

pixai-tagger-v1.0

pixai-labs · 工具包

用 30,877 个标签的词表给动漫图片打标签，分六个类别，涵盖角色、服装和风格。适合整理图片库、构建数据集或撰写图片说明的人。

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。

gemma-4-31B-it-GGUF

unsloth · 工具包

通过 Unsloth 的 GGUF 文件在本地运行 Google 的 Gemma 4 31B 指令微调模型，支持文本和图像输入，上下文很长。适合想要强大本地推理和编程模型的开发者。

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。

Idol-GGUF

TimeLordRaps · 工具包

SperiD Labs 的 Idol 的 8-bit GGUF 版本，把一张图像变成 3D 高斯点云和网格，用 idol.cpp 在本地运行。适合做图像转 3D 的开发者。

Qwen-Image-Edit

Qwen · 工具包

根据文字指令编辑现有图片，修改物体、风格或图片里的中英文文字，适合使用 diffusers 库的设计师和开发者。

Z-Image Turbo

Comfy-Org · 工具包

Comfy-Org 打包的 Z-Image-Turbo 文生图模型的 ComfyUI 即用文件，附带文生图、放大和 ControlNet 工作流。基于 Tongyi-MAI 的原版。

TRELLIS.2

Comfy-Org · 工具包

Comfy-Org 重新打包的微软 TRELLIS.2-4B 模型文件，供 ComfyUI 使用，用于图片转模型工作流，适合从图片构建 3D 资产的人。