来自 Hugging Face 的 AI 项目

THX-01

doofz · 工具包

一次快速处理，就能回答关于工单、邮件或文档的类型化问题，给出校准的概率、提取的数字、摘录和引用。这是一个 322M 的多语言模型，用于分类和信息提取。

VideoJev-4B

ZhuYuhan · 工具包

找出视频里某件事发生的时间，并回答关于视频的选择题，方式是直接给候选项打分。基于 Qwen3.5-4B，适合视频研究者和开发者。

Julia 1

SupersonicLabs · 工具包

这个模型接收一段文本、一个问题和一组可能的答案，选出最好的一个，用于分类、路由、有序评分和是非判断。是一个 144M 模型，适合在 PyTorch 里测试路由的开发者。

Copernicus (31B)

Poindexter-Labs · 工具包

根据自然语言背景给出结构化决策：从选项中选一个、判断一个是非命题，或按评分标准给一项内容打分。适合构建智能体路由和分类的开发者。

MiniCPM-OCR Jev GGUF

openbmb · 工具包

为文本、公式和表格区域的 OCR 结果打 0 到 1 之间的质量分，提供给 llama.cpp 使用的 GGUF 文件。适合在自己机器上检查 OCR 结果的人。

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。

Qwen3.5-4B-Router-1M

MaziyarPanahi · 工具包

返回校准概率的小型决策模型，判断智能体下一步该做什么以及该调用哪个工具。适合构建智能体和客服机器人的开发者。

Qwen3.5-4B-Judge-1M

MaziyarPanahi · 工具包

返回校准概率的小型裁判模型，判断回复是否有来源支撑、文本是否不安全，以及属于哪个任务或领域。适合给 AI 流程加检查的开发者。

Seb-9B-v2

ironbcc · 工具包

基于 Qwen3.5-9B 的 9B 决策模型。你给它一个情境、一个问题和若干选项，它一次计算就返回每个选项的可能性，不生成任何文字。

Laya-GGUF

ggml-org · 工具包

一个 4.21 亿参数的小型决策模型，GGUF 格式，在本地提供服务，通过 systemone API 调用。适合使用 llama.cpp 工具、想要紧凑分类器的开发者。

Kev-4B

ggml-org · 工具包

通过 llama 服务的 /v1/systemone API 做决策，来自一个 4.2B 模型的 GGUF 副本。适合想要小型本地决策模型的开发者。

MNN-Pocket-0.3B-Dec

taobao-mnn · 工具包

读取一段文字状态和你的问题，在一次计算里为每个问题从你给的选项中选出答案，并给出各候选项的概率。这是面向开发者的决策模型，不是聊天模型。

UltraGliClass v0.1

Srimon12 · 工具包

154M 参数的零样本文本分类器，一次推理就为你传入的每个标签打分，适用于单标签、多标签和意图任务，也能处理长输入。适合需要在 Python 里快速给文本打标签的开发者。

Mica-v0.5-4B

sky7350 · 工具包

基于 Qwen3.5-4B 的 4B 分类模型，读取输入后为每个允许的答案给出概率，适用于护栏、路由、分流和智能体闸门。适合想在不用大模型的情况下做是非或标签判断的开发者。

EmbeddingGemma 2 Typed Decisions

mrm8488 · 工具包

一个 272M 的模型，由 EmbeddingGemma 2 微调而来，读取工作流的状态和一份问题模式，并为每个问题返回带有校准置信度的类型化答案。

Rein-NPC-4B

jmc0 · 工具包

驱动能对话、能在游戏中执行动作（比如出售物品或叫来守卫）、并在压力下保持角色设定的游戏角色。适合使用 llama.cpp 或 LLMUnity 的游戏开发者。

MANTA-27B

gevaertlab · 工具包

根据文字或图像，一次性为医学问题的各个答案选项打分，不生成文字。这是斯坦福 Gevaert 实验室的研究模型，不是医疗器械。

basal-omni-1.0-ultra

Remek · 工具包

针对一条消息、文档或智能体轨迹的类型化问题，一次计算就给出每个允许答案的校准概率，不生成文字。这是面向波兰语和英语决策的实验性 31B 模型。