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。

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。

mammoth-1

baselabs · 工具包

一次性回答关于某个情境的一组问题，并为每个选项给出校准过的概率。这是 Baseten 的 Base Labs 发布的 27B 决策模型，由 Qwen3.5-27B 调整而来。

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。

Alpie Seed 9B

169Pi · 工具包

用一个基于 Qwen3.5-9B 的 9B 开放权重模型处理文字、图片和视频，做推理和编程，并提供适合轻量硬件的 GGUF 版本。适合想要能离线运行的模型的开发者。

Mage-VL-Cowork

microsoft · 工具包

用一个约 4B 参数的小型视觉语言模型，根据截图和终端命令来操作电脑，由 Microsoft 开发，适合构建或研究电脑操作智能体的人。

Qwen3.8-Flash-Next-GSQ-RCO-GGUF

ISTA-DASLab · 工具包

Qwen3.8-Flash-Next 的 GGUF 版本，有四种大小，每个张量用各自的精度量化，并带有支持图片输入的视觉投影文件，适合在本地运行大型混合专家模型的人。

THX-02

HAL-X-AI · 工具包

针对一条消息、文档、图片或图表里的纯文字问题，在几十毫秒内给出每个选项的概率，适合做工单分流和记录分类的开发者。

Nex-N2.6

nex-agi · 工具包

作为多模态智能体模型处理计算机操作、编程和长时间的工具任务，基于 GLM-5.3-Flash，FP8 权重约 321B 参数。适合能自行托管大模型的团队。

GLM-5.3-Flash

zai-org · 工具包

zai-org 的 GLM-5 系列原生多模态模型，总参数 320B、激活 18B，采用稀疏与线性注意力的混合设计，并能控制思考预算。适合有大型 GPU 服务器的团队。

DeepSeek-V4.1-Flash

deepseek-ai · 工具包

DeepSeek 的多模态混合专家模型，骨干有 552B 参数，上下文长达一百万个 token，专为降低长输入智能体工作的 KV 缓存成本而设计。适合有大型 GPU 集群的团队。

Qwen3.8-27B-GSQ-RCO-GGUF

ISTA-DASLab · 工具包

ISTA-DASLab 制作的 Qwen3.8-27B GGUF 版本，共四种大小，每个张量用各自的精度量化，并带有处理图片的视觉投影文件。适合在 llama.cpp、Ollama 或 LM Studio 里本地运行模型的人。

embeddinggemma-2

google · 工具包

Google DeepMind 的开源嵌入模型，把文字、代码、图片、视频和音频放进同一个 768 维向量空间，可在笔记本和手机上运行。适合构建搜索和检索的开发者。

LongCat-2.5

meituan-longcat · 工具包

美团 LongCat 的多模态混合专家模型，面向长时间的智能体任务和编程，总参数约 1.6 万亿，每个 token 激活 480 亿。适合有大型 GPU 集群的实验室和团队。

VideoLLaMA2

lixin4ever · 工具包

一个基于 VideoLLaMA2 模型、用来理解视频等媒体内容的聊天应用。在浏览器里以 Gradio 应用在 ZeroGPU 上运行，适合想就视频片段提问的人。

Chat With Janus-Pro-7B

deepseek-ai · 工具包

和 DeepSeek 的 Janus-Pro-7B 模型聊天，它既能理解图片也能生成图片，生成的图片会做 2 倍放大。适合想在浏览器里试用多模态模型的人。

CCTV Visual RAG

alinawazmahar · 工具包

输入一句日常语言的描述，就能在监控视频里找到对应时刻，并返回最匹配的画面和时间戳。适合想搜索录像而不是逐帧拖动查看的人。

Open VLM Leaderboard

opencompass · 工具包

展示用 VLMEvalKit 工具包收集的视觉语言模型得分排行榜，有总榜，也有每个基准的单独表格。适合比较多模态模型的研究者和工程师。