开发者 AI 技能与智能体

MiMo-V2.6-Pro-MOPD

XiaomiMiMo · 工具包

用 1T 参数的混合专家模型处理文本、图像、视频和音频，并经过调教，在智能体工作中更少重复调用工具。适合能托管超大模型的团队。

Wan2.2-TI2V-5B-Diffusers

Wan-AI · 工具包

根据文本提示或图像加文字生成视频片段，最高 720P、每秒 24 帧，Diffusers 格式，适合单块消费级 GPU。

Wan2.2-S2V-14B

Wan-AI · 工具包

根据音频生成电影感的角色视频，也能给现有视频做口型同步。适合有大显卡的视频创作者、动画师和研究人员。

Wan2.2-Animate-14B

Wan-AI · 工具包

通过复制表演者的动作和表情，让角色动起来，或把角色换进视频里，是 Wan2.2 视频系列中的一个模型。只能使用你有权使用的面孔和形象。

d3-turbo

vllm-sr · 工具包

在一次调用中回答关于文字、图片或视频的选择、是非、打分、框选和跟踪类问题，并为每个答案给出概率。适合构建路由或视觉检查的人。

d3-nano

vllm-sr · 工具包

在一次调用中回答关于文字、图片或视频的选择题、是非题和打分题，并为每个答案给出概率。适合做路由和分诊的工程师使用的 2B 决策模型。

d3-edge

vllm-sr · 工具包

在一次调用中回答关于文字、图片或视频的选择题、是非题和打分题，并为每个答案返回概率。适合做路由和分诊的工程师使用的小型决策模型。

MAGI-2 Preview

sand-ai · 工具包

大型音视频生成模型，可根据文字提示词，或提示词加一张静态图，生成带声音的 10 秒视频，并提升到 1080p。适合拥有八块 Hopper GPU 服务器的研究者。

Qwen3.8-27B-NVFP4

RadixArk · 工具包

Qwen3.8-27B 的预量化 NVFP4 版本，能读取文字、图片和视频并用文字回答，通过 SGLang 在 NVIDIA Blackwell 显卡上提供服务。适合在该硬件上运行智能体、聊天机器人和 RAG 的开发者。

MOSS-Video-Preview-Real-Time-SFT

OpenMOSS-Team · 工具包

在视频播放的同时给出评论，逐帧接收画面并低延迟作答。适合用 Python 和 transformers 构建实时视频助手的开发者和研究人员。

SenseNova-6.8-Code2Video GSQ-RCO GGUF

OliviaRossi · 工具包

以混合精度 GGUF 文件运行 26.9B 参数的 SenseNova-6.8-Code2Video 模型，可在终端聊天或启动本地服务。适合想在自己硬件上使用该模型的人。

LightVAE

lightx2v · 工具包

通过 ComfyUI 节点或 Python 脚本，为 Wan2.1、Wan2.2 和 MiniMax-H3 换上更轻的视频自编码器部件。适合想要紧凑 VAE 组件的视频 AI 用户。

MMAudio_safetensors

Kijai · 工具包

提供 safetensors 格式的 MMAudio 模型，配合 Kijai 的 ComfyUI-MMAudio 节点为视频生成声音。适合处理音频和视频的 ComfyUI 用户。

MiniMax-H3-TAE

Kijai · 工具包

一个训练得很快的小型解码器，在 ComfyUI 里生成 MiniMax-H3 视频时提供实时画面预览，比默认的 latent2rgb 预览更清楚。

Kandinsky S2V 1.0 Lite distilled

kandinskylab · 工具包

把一张参考图和一段语音变成头像视频，让整个人物随语音动起来。蒸馏版 Lite 只需 16 步，速度约为基础版的 5 倍。

FlashVSR

JunhaoZhuang · 工具包

一个一步扩散的视频超分辨率模型，以流式方式放大低分辨率视频，在单块 A100 GPU 上处理 768 x 1408 视频约 17 帧每秒。这是第一版，即版本 1。

Qwen3.8-27B-oQ4e-mtp

Jundot · 工具包

在 MLX 上以约 17.5 GB 运行 27B 的 Qwen3.8 视觉语言模型，能读取文字、图片和视频，上下文为 262,144 个 token。这是 Jundot 的混合精度量化版本，适合内存有限的人。

SmolVLM2-2.2B-Instruct

HuggingFaceTB · 工具包

同时回答关于视频、图像和文字的问题，用一个 2.2B 模型，视频推理约需 5.2 GB GPU 显存。适合构建设备端视觉助手的开发者。

Wan 2.1 for ComfyUI

Comfy-Org · 工具包

为 ComfyUI 重新打包的 Wan 2.1 视频模型文件，涵盖文生视频、图生视频、VACE 编辑、镜头控制、透明通道视频和音频驱动配音，并附带现成的工作流。

pig-vae

calcuis · 工具包

pig 架构的小型 GGUF VAE，用于图像和视频工作流，加载器在 gguf-node 包里。目标是在较旧的机器上运行更快、占用内存更少。

Qwen-Video-Edit

yunpeng1998 · 工具包

通过在视频潜变量上复用图像编辑模型，根据文字指令编辑视频，只加了轻量的可训练投影。适合想做指令式编辑的视频创作者和研究人员。

Molmo2-8B

allenai · 工具包

回答关于图片、视频以及多张图片的问题，还能指出它找到的东西。适合想要开源 8B 视觉语言模型来做视频问答、计数和描述的开发者。

LTX-LoRAs

Alissonerdx · 工具包

为 LTX 2.3 视频模型提供 LoRA 文件，可填补视频中被遮罩的区域，带或不带视觉参考都行，另有一个实验性的视频编辑 LoRA。适合使用 LTX 2.3 的视频创作者。

Wan2.2-Fun-5B-Control

alibaba-pai · 工具包

用 Canny、Depth、Pose 或 MLSD 等控制条件，或用轨迹，来引导生成的视频。适合在 videox_fun 库里使用 5B Wan2.2 基础模型的视频创作者和研究者。

natural-face-speech-h3-lora

vpakarinen · 工具包

MiniMax H3 视频模型的 LoRA 附加件，目标是在文生视频和图生视频里得到自然的面部动作和清晰的英语语音。适合制作人物说话短视频的人。

Matrix-Game 4.0

Skywork · 工具包

把正在运行的游戏的画面重绘成干净的低多边形视频，每个场景一个渲染器：古埃及、城市赛车和中世纪城堡。适合游戏开发者和视频模型研究人员。

Qwen2.5-VL-7B-Instruct

Qwen · 工具包

一个视觉语言模型，能把图片、文档和视频与文字问题一起理解并用文字回答。适合围绕图表、扫描件、屏幕和视频片段开发应用的开发者。

OneJev1.6-4B

OmniJev · 工具包

读取截图、照片、视频或文字和几个带类型的问题，一次运行就给每个答案选项打出概率。适合开发会看屏幕的智能体的人。

OneJev1.6-27B

OmniJev · 工具包

读取截图、照片、视频或文字，再结合你输入的问题，为每个答案选项给出概率，比如智能体下一步该做什么、任务是否完成。

OneJev1.6-0.8B

OmniJev · 工具包

针对截图、照片、视频或文字，回答你提的问题，并给出每个选项的概率。适合需要在智能体循环里快速做决定的开发者。

Comet 60B

MultiverseComputingCAI · 工具包

Multiverse Computing 的 61.1B 多模态模型，是 NVIDIA Nemotron 3.5 Super 的压缩版本，接收文本、图像和视频，并保持约 12B 参数被激活。适合想用更少 GPU 通过 vLLM 部署大型开放模型的团队。

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。

Hy-Nomas x LTX-2.5 Audio Workflows

BennyDaBall · 工具包

两个 ComfyUI 工作流，用标准的 LTX-2.5 蒸馏模型为无声的 Hy-Nomas 视频世界或任意视频片段配上音轨，画面保持不变。

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。

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。

FlashVSR+

ruchangyao · 工具包

一步扩散模型，把低质量视频变成更高分辨率的清晰视频，有速度更快的 Turbo 版和画质更好的 Base 版。适合有高性能 GPU 的视频剪辑者和视觉研究者。

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。

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。

RelayVSR X4 Quants

MATLOWAI · 工具包

RelayVSR 4 倍视频放大器的预量化 Wan 检查点，让它能在 ComfyUI 里用 16 GB 和 24 GB 显卡输出 2560x1408，适合视频剪辑和修复的人。

SCAIL-2

Comfy-Org · 工具包

为 ComfyUI 重新打包的 SCAIL-2 视频模型文件，基于 Wan 2.1 14B，附带角色替换工作流。适合在视频里替换角色的 ComfyUI 用户。

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。

Wan2.2 TI2V 5B GGUF

QuantStack · 工具包

一个 5B 参数的文字生成视频模型，转换成 GGUF 供 ComfyUI 使用，4 比特下估计约 2.5 GB，支持英文和中文提示词。适合想在自己电脑上生成视频的 ComfyUI 用户。

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。

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。

Kandinsky S2V 1.0 Lite

kandinskylab · 工具包

把一张参考图和一段语音录音变成会说话的头像视频，整个人物都会跟着音频动起来。适合有高性能 GPU 的研究者和开发者。只能使用你有权使用的人脸和声音。

Realtime-Venus

inclusionAI · 工具包

包含两个 9B 模型，用于实时对话，能边听边说，处理打断，并把任务交给外部工具。一个能看视频和听音频，另一个只处理音频。

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。

Wan-Animate-2

Wan-AI · 工具包

照着驱动视频里的动作，让一张角色图片动起来，还能用文字控制镜头视角。适合有高性能 GPU、要制作角色视频的人。