来自 Hugging Face 的 AI 项目

MiMo-V2.6-Pro-MOPD

XiaomiMiMo · 工具包

用 1T 参数的混合专家模型处理文本、图像、视频和音频，并经过调教，在智能体工作中更少重复调用工具。适合能托管超大模型的团队。

Unlimited-OCR-2-GGUF

RX5950XT · 工具包

Unlimited-OCR-2 文档 OCR 模型的 GGUF 文件，提供 BF16、Q8_0 和 Q4_K_M，并附视觉投影器。只能在应用了仓库补丁的 llama.cpp 里运行，适合在本地读取扫描和多页文档的人。

Qwen3.8-27B-mixed-3.5bpw-MLX

rapid-mlx · 工具包

一个压缩到每个权重 3.5 位的 27B 视觉语言模型，适用于 24 GB 内存的 Apple Silicon Mac，通过 Rapid-MLX 在本地提供服务。适合想要本地模型和智能体后端的 Mac 用户和开发者。

Qwen3.5-122B-A10B

Qwen · 工具包

这个模型同时读图像和文字并用文字回答，是总参数 122B、激活参数 10B 的混合专家模型。适合有大型 GPU 服务器、想用开源视觉语言模型做推理、编程和智能体的团队。

MOSS-Video-Preview-Real-Time-SFT

OpenMOSS-Team · 工具包

在视频播放的同时给出评论，逐帧接收画面并低延迟作答。适合用 Python 和 transformers 构建实时视频助手的开发者和研究人员。

NuExtract3

numind · 工具包

以文本或图像读取文档，按你要的字段填写 JSON 模板，或把页面转成 Markdown。这是一个 4B 模型，适合处理扫描件、表单和发票的团队。

Qwen3.8-27B-oQ4e-mtp

Jundot · 工具包

在 MLX 上以约 17.5 GB 运行 27B 的 Qwen3.8 视觉语言模型，能读取文字、图片和视频，上下文为 262,144 个 token。这是 Jundot 的混合精度量化版本，适合内存有限的人。

Rukopys-OCR-4B

ebinan92 · 工具包

从图片中读取乌克兰语手写文档，找出每个文字区域、标注类型，并以结构化 JSON 返回转写内容。这是用于手写数字化的开放 4B 视觉语言模型。

lift

datalab-to · 工具包

从 PDF 和图像中提取结构化数据。你提供一个 JSON 模式，它返回与之匹配的对象。这是 Datalab 的 9.7B 视觉语言模型，适合处理文档的开发者。

Qwen3.8-27B-Quark-AWQ-MXFP4

amd · 工具包

把 Qwen3.8-27B 运行为用 AMD Quark 和 AWQ 做出的更小的 MXFP4 量化版本，通过 vLLM 提供服务。适合想要压缩版 27B 视觉语言模型、并看重公开 GSM8K 分数的开发者。

Qwen3.5-35B-A3B-GGUF

unsloth · 工具包

在你自己的机器上读取文字和图片、编写代码并调用工具，使用 Unsloth 刷新后的 Qwen3.5 35B-A3B 视觉语言模型 GGUF 文件。适合运行本地智能体的开发者。

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。

Qwen3.5-0.8B-MTP-GGUF

unsloth · 工具包

在 llama.cpp 里运行小型的 Qwen3.5 0.8B 视觉语言模型，借助多 token 预测加快生成，使用 Unsloth 的 GGUF 文件。适合测试推测解码的开发者。

Falcon OCR

tiiuae · 工具包

用一个小型 270M 参数模型读取文档图片，返回文字、LaTeX 公式或 HTML 表格，支持扫描件、收据和手写内容。

GameScaling

THUSI-Lab · 工具包

基于 Qwen3.5-0.8B 的小型视觉语言模型，来自一个面向多种虚拟游戏世界中具身智能体的持续预训练研究项目。适合研究游戏智能体的研究者。

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。

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。

NV-Reason-CT

nvidia · 工具包

读取胸部和腹部 CT 体数据，撰写结构化放射报告、回答问题并说明推理过程。适合做 CT 图像分析的研究人员和开发者。

Qwen3.6-35B-A3B-8bit (MLX)

mlx-community · 工具包

Qwen3.6-35B-A3B 的 8 位 MLX 转换版，能读文字和图像并用文字回答，用 mlx-vlm 工具运行。适合想在本地运行大型视觉语言模型的开发者。

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。

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。

Kvark-Sparkle-1.0-27B-GGUF

Egzakta · 工具包

KVARK Sparkle 1.0 这个 27B 视觉语言模型的 GGUF 文件，适用于 llama.cpp、Ollama 和 LM Studio，保留了推测解码头。适合在本地运行大模型的人。

Qwen3.8-27B-AWQ-INT4

cyankiwi · 工具包

cyankiwi 制作的 Qwen3.8-27B 4-bit AWQ 量化版本，一个带思考控制的 27B 视觉语言模型。权重为 21.02 GB，可在 Transformers、vLLM 或 SGLang 中加载。

Molmo2-4B

allenai · 工具包

回答关于图片、视频和多张图片的问题，还能指出它找到的内容。这是 Ai2 的开源视觉语言模型，适合自己运行模型的开发者和研究者。

Qwen3.5-4B-Base

Qwen · 工具包

这是一个只做过预训练的视觉语言基础模型，用于微调和上下文学习实验，不用于直接聊天。适合想用小型 Qwen3.5 作起点并用 LoRA 适配的开发者。

PaddleOCR-VL

PaddlePaddle · 工具包

读取文档图像并返回其中的文字，是参数不到十亿的视觉语言模型。适合在自己的机器上用 PaddleOCR 解析中英文文档的人。

MiniCPM-V 4.6

openbmb · 工具包

能读懂单张图片、多张图片和视频并用文字回答，参数量 1.3B，适合在手机和其他边缘设备上运行。适合想要小型视觉语言模型的开发者。

MiMo-V2.6-Flash-RL

XiaomiMiMo · 工具包

在同一个模型里处理文本、图像、视频和音频输入，上下文长达 1M token，适合长代码库和智能体运行。这是 XiaomiMiMo 推出的 311B 开放混合专家模型。

Qwen3.8-27B-GGUF

bartowski · 工具包

bartowski 制作的 Qwen3.8-27B 的一组 GGUF 量化版本，从 Q8_0 到 3-bit，用重要性矩阵生成。适合在本地用 llama.cpp 运行 27B 视觉语言模型的人。

MiniCPM-OCR Jev

openbmb · 工具包

给文字、公式或表格区域的 OCR 结果打 0 到 1 的分，表示结果正确的可能性。适合自动接受可靠结果、把其余的送去复核或在多个 OCR 模型间择优的团队。

Qwen3.8-27B-4bit (MLX)

mlx-community · 工具包

Qwen3.8-27B 的 4 位 MLX 转换版，能读文字和图像并用文字回答，用 mlx-vlm 工具运行。适合想在本地运行视觉语言模型的开发者。

Qwen2.5-VL-7B-Instruct-GGUF

unsloth · 工具包

Unsloth 制作的 Qwen2.5-VL-7B-Instruct 的 GGUF 文件，这个视觉语言模型能读图像、图表、文档和长视频，还能输出坐标和结构化数据。适合在本地运行它的人。

WeVisOne-VL-2B

tencent · 工具包

读取图片和文字提问，返回物体框、点、数量、文字位置和像素级蒙版，包括 alpha 抠图。适合在自己电脑上运行 2.4B 模型的研究者。

Qwen3.8-27B-NVFP4

unsloth · 工具包

Unsloth 制作的 Qwen3.8 27B 视觉语言模型的 4-bit NVFP4 副本，用 vLLM 提供服务。适合想要能读图像和视频、能在智能体工具里工作的稠密模型的开发者。

LightOnOCR-3-4B

lightonai · 工具包

读取文档页面图片，返回 markdown 文本，或带边界框的标注块、图片描述和图表数据。适合构建 OCR 和文档理解流程的开发者。

LightOnOCR-3-0.8B

lightonai · 工具包

LightOn 的 0.8B 小型 OCR 模型，把页面图片读成 markdown，在 grounding 模式下还会给每个区块标上边界框。是 LightOnOCR-3 系列中快速、轻量的尺寸。

Alpie Seed 9B GGUF

169Pi · 工具包

通过三种位深的 GGUF 文件，在你自己的机器上运行 169Pi AI 的图文模型 Alpie Seed 9B。适合想在本地做视觉语言对话的开发者。

MiMo-V2.6-Pro-RL

XiaomiMiMo · 工具包

在一个 1.02T 参数、1M 词元上下文的模型里同时处理文字、图像、视频和音频。它是小米 MiMo-V2.6 系列的旗舰，用大规模强化学习训练，面向编程和智能体工作。

MiniCPM-OCR 1.0

openbmb · 工具包

OpenBMB 的 1.3B 模型，能读取英语和中文文档，解析文字、表格、公式、图表和印章，并提取关键字段。

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。

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。

Unlimited-OCR

baidu · 工具包

用 Baidu 的 3.3B 视觉语言模型把文档图片和多页 PDF 解析成文字，适合把 OCR 和文档解析加入自己工具的开发者。

Unlimited-OCR-2

baidu · 工具包

百度的 3.3B 文档解析模型，面向长文档，用 SR-SWA 注意力让解码成本几乎保持不变，提供 Transformers 和 SGLang 两条使用路线。适合要把长报告和书籍数字化的团队。

Open VLM Video Leaderboard

opencompass · 工具包

一个视觉语言模型在视频理解基准上得分的排行榜，有总排名，也有每个基准的详细榜单。适合挑选模型的研究人员和工程师。

RADAR Abdominal CT Demo

junma · 工具包

读取一个腹部 CT 体积数据，用 RADAR 模型返回 18 个结构中 146 个征象各自的概率。这是研究和教学演示，不用于临床决策。

Qwen3 VL Demo

Qwen · 工具包

Qwen 团队为其 Qwen3 VL 视觉语言系列做的 Gradio 演示。可在浏览器里用，也可在装有 Python 的自己电脑上运行。

WeVisOne-VL-2B

hugging-apps · 工具包

在图片上试用腾讯的 WeVisOne-VL-2B 视觉语言模型，从找物体、数数、读文字到抠出主体。适合做图像理解的开发者和研究者。

Unlimited OCR Works 2 Studio

baidu · 工具包

用 Unlimited-OCR-2 模型把上传的页面图片或最多 20 页的 PDF 解析成排好版的 Markdown，带实时流式显示和渲染视图。适合做文档数字化和测试 OCR 的人。