来自 Hugging Face 的 AI 项目

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。

MOSS-Image-pose-controlnet

thedeoxen · 工具包

以 DWPose 骨架作为控制图，让生成的图像跟随身体姿势，是 MOSS-Image-SFT 的 LoRA。适合想在 ComfyUI 里摆出角色姿势的画师和动画师。

WeVisOne-VL-4B

tencent · 工具包

用腾讯的一个 4B 视觉语言模型在图片中查找、计数、指向、识字和分割物体，并生成 alpha 抠图。适合做视觉定位和图像抠图的研究人员。

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。