来自 Hugging Face 的 AI 项目

H2O-Lightning-4B

h2oai · 工具包

回答关于文档、工单、政策或对话及其配图的类型化决策问题，并给每个选项一个概率。适合想用小模型来判断记录的团队。

AIpparel

georgeNakayama · 工具包

保存 AIpparel 的权重和数据集，这是一个面向数字服装、处理缝纫版型的多模态基础模型。适合做服装生成和编辑的研究人员。

TRIBE v2

facebook · 工具包

用一个映射到大脑皮层表面的多模态 Transformer，估计大脑对视频、音频和文本的 fMRI 反应。适合神经科学和 AI 研究者。

Dolphin

ByteDance · 工具包

读取文档页面图像，按阅读顺序分两个阶段提取其中的文字、表格、公式和图表。一个紧凑的 398M 模型，适用于中文和英文文档。

UI-TARS-1.5-7B

ByteDance-Seed · 工具包

一个开放的多模态智能体模型，能读屏幕截图并决定在应用、浏览器、手机和游戏中做什么。适合构建电脑操作和图形界面自动化智能体的开发者。

Cloudflare clef GGUF

bartowski · 工具包

Cloudflare 的 clef 决策模型的静态 GGUF 量化版本，它不写文字，而是一次性为关于某个状态的类型化问题的每个选项打分。适合用 llama.cpp 运行它的开发者。

OvisOCR2

ATH-MaaS · 工具包

文档解析模型：读取一页图像，按阅读顺序输出 Markdown，涵盖文字、公式和表格。约 0.8B 参数，通过 vLLM 运行。适合做文档数字化的开发者。

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。

gemma-4-31B-it-qat-GGUF

unsloth · 工具包

用 Unsloth 的 4 比特 QAT GGUF 文件运行 Google 的 Gemma 4 31B 指令模型，自带用于推测解码的草稿模型，可在 llama.cpp 中加速。适合在本地部署大型多模态模型的人。

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。

Xiaomi-OCR-0-GGUF

prithivMLmods · 工具包

提供 Xiaomi-OCR-0 的 GGUF 文件，这是一个用来读取文档和图片文字的 0.8B 紧凑视觉语言模型，大小从约 466 MB 到 1.52 GB。适合配合 llama.cpp 做本地 OCR。

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-V-4.7-1B-gguf

openbmb · 工具包

通过 llama.cpp 运行 1B 视觉语言模型，回答关于图片的文字提示词。提供多种量化大小的 GGUF 文件，适合想要小型本地模型的开发者和爱好者。

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。

VLX-Seek-1.5-10B

omlab · 工具包

通过在候选区域中选择来找到并指出图像中的物体，目标不存在时回答 None。适合无人机、机器人和监控摄像头的视觉工作。

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。

Fara1.5-9B

microsoft · 工具包

Microsoft Research 推出的计算机使用智能体模型，读取浏览器截图并决定下一步点击、输入或滚动，来完成网页任务。适合构建浏览器智能体的开发者和研究者。