来自 Hugging Face 的 AI 项目

mmBERT-base

jhu-clsp · 工具包

能读取并编码 1,800 多种语言的文本，用于分类、嵌入、检索和完形填空任务。适合要微调多语言编码器的开发者和研究者。

PII-Tracer

perplexity-ai · 工具包

在聊天对话里找出个人数据并遮盖，用一个 600M 参数的编码器，带词元标注和敏感度打分。适合在使用前清理对话日志的团队。

Primal VAE

ostris · 工具包

提供小型图像自编码器，把图片压成一两个潜变量通道，不需要缩放系数，再通过分块拼成 Flux 或 Stable Diffusion 的潜变量形状。适合搭建扩散模型的人。

ClipProj-MiniMax-H3

NicoLab28 · 工具包

让小型 Qwen3-VL 在 ComfyUI 里代替 MiniMax H3 的 32B 文本编码器，把显存从 15.7 GB 降到 4.5 GB。这是需要自定义节点的概念验证项目。

Muse Glimmer 30B GGUF

meta-models · 工具包

一个 300 亿参数智能体模型的 GGUF 版本，供 llama.cpp 使用，附带可选的图像编码器和推测解码草稿模型。适合在 24 GB 显卡上本地运行模型的人。

SPEAR XLarge v2

marcoyang · 工具包

把 16 kHz 的语音和通用音频转成每帧 1280 个数字的特征，是约 6 亿参数的预训练 Zipformer 编码器。适合为语音识别或音频标注做微调的研究者。

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。

Qwen3.8-27B-oQ8e-mtp

Jundot · 工具包

把 Qwen3.8-27B 做成 8 位混合精度的 MLX 检查点，带视觉编码器和 MTP 头，用于苹果硬件上的图文聊天。适合想在本地得到接近完整质量的人。

GLM-5.3-Flash-oQ4e-mtp

Jundot · 工具包

zai-org 的 GLM-5.3-Flash 多模态混合专家模型的混合精度 MLX 副本，约每个权重 4.6 位，包含视觉编码器和多词元预测头。

MoEViE-L16-384

facebook · 工具包

Meta 的混合专家视觉编码器，无需额外训练就能把图片匹配到文字标签，这里是 384px 的 L/16 模型。授权用于非商业研究。

ARK-ASR-3B

Edge0 · 工具包

用 Whisper 风格的音频编码器加 Qwen 解码器，把多种语言的语音转成文字。适合需要多语言转写的开发者和研究者，卡里给出了英文和中文的结果。

t5-v1_1-xxl-encoder-gguf

city96 · 工具包

Google T5 v1.1 XXL 文本编码器的 GGUF 转换版，用于在 llama.cpp 里生成文本嵌入，或通过 ComfyUI-GGUF 为图像生成模型提供输入。适合开发者和图像生成用户。

Cola DLM

ByteDance-Seed · 工具包

一个研究用的文本生成模型，在连续潜空间中写作，把文本自编码器和扩散 Transformer 配在一起。适合想运行并测试已发布检查点的研究人员和开发者。

MOSS-Image-SFT GGUF

axiomofmind · 工具包

MOSS-Image-SFT 扩散 Transformer 的非官方 GGUF 文件，有 Q8_0 和 Q4_K_S 两种，用 stable-diffusion.cpp 在本地做文字生成图像。需要另外准备 Qwen3.5-9B 编码器、分词器和 VAE。

ModernBERT-large

answerdotai · 工具包

预测英文文本或代码中被隐藏的词，微调之后可作为更大的长上下文编码器，用于搜索、分类和检索。适合想要更大号 ModernBERT 的开发者和研究者。

ModernBERT-base

answerdotai · 工具包

预测英文文本或代码中被隐藏的词，微调之后可作为长上下文编码器，用于搜索、分类和检索。适合需要快速 BERT 风格编码器的开发者和研究者。

FRIDA-Decisions

ai-forever · 工具包

一次处理就能对俄语文本做结构化判断：选一个选项、按量表打分、回答是或否，或给候选排序。适合要对俄语消息分类和路由的开发者。

VieGem-ASR

5CD-AI · 工具包

转写越南语以及越南语和英语混合的语音，可离线处理，也可按 0.48 秒的块流式处理，使用基于 Google EmbeddingGemma 2 音频编码器的 359M 参数模型。仅限非商业使用。

IMUDINO

Octopus1 · 工具包

用 PyTorch 编码器把运动传感器记录（加速度计和陀螺仪）变成特征向量。适合基于惯性传感器数据建模的研究人员。

TAEF2

madebyollin · 工具包

用一个微型自动编码器实时预览 FLUX.2 的图像生成，它与 FLUX.2 VAE 使用相同的潜空间格式。适合图像应用开发者和内存有限的人。

Qwen3.8-27B-oQ6e-mtp

Jundot · 工具包

Qwen3.8-27B 的混合精度 MLX 副本，约每个权重 6.9 位，包含视觉编码器和多词元预测头，可在 Apple 芯片上本地运行。

Qwen3.6-35B-A3B-oQ6e-mtp

Jundot · 工具包

Qwen3.6-35B-A3B 的混合精度 MLX 副本，约每个权重 6.8 位，包含视觉编码器和多词元预测头，可在 Apple 芯片上本地运行。

LeVJEPA 1.5 Large

galilai-group · 工具包

把视频片段和单张图片编码成特征向量，用约 5,300 小时视频做自监督训练。这是面向研究者的视频编码器，采用非商业许可。

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。

CLM-v0.1-8B

Contrastive-LM · 工具包

为给定的状态，给候选答案、动作或工具名各打一个概率，而不是写文字。这是建在冻结的 Qwen3-8B 编码器上的快速决策模型，适合智能体和分流工具的构建者。

DeepSeek V4.1 Flash GGUF for DwarfStar

antirez · 工具包

为 Mac 用户提供 DeepSeek V4.1 Flash 经过校准的 2 位和 4 位 GGUF 文件，另有单独的视觉编码器，供 DwarfStar 的 Metal 引擎配合 SSD 流式加载使用。与其他 DeepSeek 权重不通用。

stationhouse

alxcspr · 工具包

存放 Marin-32B 的稀疏自编码器检查点、日志和特征普查文件，其中每一层都有宽度为 65536 的 TopK SAE，共 64 层。这是用于可解释性研究的档案库。

sd-vae-ft-mse-original

stabilityai · 工具包

这个模型用一个经过微调的解码器替换 Stable Diffusion 里的自动编码器，让重建的图像更平滑，尤其是人脸。适合运行原版 CompVis Stable Diffusion 代码、想让解码图像更好的人。

MERT-v2-FullSong

m-a-p · 工具包

一个音乐编码器，把 30 到 360 秒的整首歌转成帧级或整段级的数值特征。适合处理冻结嵌入的音乐 AI 研究者和开发者。

Qwen3.8-27B-Splash

incoai · 工具包

通过 Inco AI 的 Splash 引擎在 Apple 芯片 Mac 上运行 Qwen3.8-27B，一个包里含 4-bit 模型、DFlash 2 草稿模型和视觉编码器。只能在 Splash 里使用。

UltraBERT-380M

dmis-lab · 工具包

预测英文文本中被遮盖的词，并提供一个上下文长度 32K 的预训练编码器，可微调用于分类或检索。这是 dmis-lab 的填空模型，适合机器学习工程师和研究人员。

Qwen3-VL for ComfyUI

Comfy-Org · 工具包

为 ComfyUI 文本编码器文件夹重新打包的 Qwen3-VL 4B 和 8B 模型文件，提供从 bf16 到 4-bit 风格的多种精度。适合需要 Qwen3-VL 文本编码器的 ComfyUI 用户。

FLUX.2 Klein 4B for ComfyUI

Comfy-Org · 工具包

为 ComfyUI 重新打包的 FLUX.2 Klein 4B 模型文件，把文字提示词变成图像。包含扩散模型、文本编码器和 VAE，并附带现成的文生图工作流。

ACE-Step 1.5

Comfy-Org · 工具包

在 ComfyUI 里根据文本生成音乐的模型文件，由原版 ACE-Step 1.5 重新打包而成。包含检查点、扩散模型、文本编码器和 VAE 文件，以及一组现成的工作流。

flux_text_encoders

comfyanonymous · 工具包

提供用于 Flux 图像模型的文本编码器检查点，为 ComfyUI 的 DualClipLoader 节点而做。适合在自己电脑上运行 Flux 的 ComfyUI 用户。

Qwen3.5-27B

Qwen · 工具包

读取文字和图片并写出文字，是带视觉编码器的 27B Qwen 模型，原生上下文为 262,144 个词元。适合在服务器级硬件上构建助手和智能体的开发者。

mine-embed-v1

MineAITechnology · 工具包

用一个从零训练的 57.8M 小型嵌入模型，给两段简短英文在含义上的接近程度打分，是一项早期实验，适合研究或对比嵌入训练的人，不适合用于生产搜索。

Qwen3.5 for ComfyUI

Comfy-Org · 工具包

为 ComfyUI 文本编码器文件夹重新打包的 Qwen3.5 2B、4B 和 9B 模型文件，9B 提供 bf16 和两种量化风格。适合需要 Qwen3.5 文本编码器的 ComfyUI 用户。

Llama-V-JEPA-LM-Qwen3-4B

kkt94 · 工具包

用一个 5.1B 的模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Qwen3-4B-Instruct-2507 上，适合有 16 GB 以上 GPU 的人。

Llama-V-JEPA-LM-Qwen3-1.7B

kkt94 · 工具包

用一个 2B 的模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Qwen3-1.7B 上，适合只有一块普通 GPU 的人。

Llama-V-JEPA-LM-Llama3.2-3B

kkt94 · 工具包

用一个 4.2B 的模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Llama-3.2-3B-Instruct 上，适合只有一块 12 GB 以上 GPU 的人。

Llama-V-JEPA-LM-Llama3.2-1B

kkt94 · 工具包

用一个 1.5B 的小模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Llama-3.2-1B-Instruct 上，适合只有一块普通 GPU 的人。

Llama-V-JEPA-LM-Llama3.1-8B

kkt94 · 工具包

把冻结的 V-JEPA 2.1 视频编码器接到 Llama-3.1-8B-Instruct 上，用来回答关于视频片段的问题，适合做视频理解的人。

Llama-V-JEPA-LM-Qwen3-8B

kkt94 · 工具包

用一个 9.2B 的模型回答关于视频片段的问题，它把冻结的 V-JEPA 2.1 视频编码器接到 Qwen3-8B 上，适合有 24 GB 以上 GPU 的人。

Qwen3.5-9B-Base

Qwen · 工具包

为研究人员和开发者提供带视觉编码器的预训练 9B 基础模型，用于微调和实验，而不是直接聊天。能处理文本和图像。

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。

Memorilla-Qwen3-8B

memorilla · 工具包

收录 Memorilla 的记忆模块检查点，通过 Qwen3-Embedding-4B 编码器给冻结的 Qwen3-8B 模型加上记忆。适合研究语言模型记忆的研究者。

WeVisOne-VL

Comfy-Org · 工具包

把腾讯的 WeVisOne-VL 模型文件重新打包给 ComfyUI 使用，有 4B 和 2B 两种尺寸，各有 BF16 和 int8 版本。适合需要把文件放进文本编码器文件夹的 ComfyUI 用户。

ViTGPT2 图像描述

gagan3012 · 工具包

gagan3012 做的 Gradio 应用，从模型名看是把 ViT 图像编码器和 GPT-2 文本解码器配对，用文字描述图片。适合想在浏览器里试用图像描述的人。

Vela 3.0 · Studio

vllm-sr · 工具包

用一个在 CPU 上运行的 0.25B 小型编码器回答关于图像或文本的问题：指出物体、提取字段、找出 OCR 错误或在选项间做判断。适合想试用这个模型的开发者。

MuseTalkDemo

TMElyralab · 工具包

TMElyralab 为 MuseTalk 模型做的 Docker 打包演示应用，附带 DWPose、一个 Stable Diffusion 自编码器和 ffmpeg 工具。适合想试用或研究 MuseTalk 搭建方式的开发者。

QwenScope

Qwen · 工具包

通过稀疏自编码器特征来探索和引导 Qwen3.5-2B 语言模型：比较两段文字的特征激活，或把某个特征推入生成过程。适合可解释性研究者。