来自 Hugging Face 的 AI 项目

ControlNet v1.1 depth (SD 1.5)

lllyasviel · 工具包

用深度图引导 Stable Diffusion 1.5，让生成的图像保持原图的布局。这是 diffusers 格式的 ControlNet v1.1，适合想控制构图的艺术家和开发者。

Granite-Docling-258M

ibm-granite · 工具包

把文档页面图像转换成结构化文本，支持公式、版面和关于页面元素的提问，是 IBM Research 的 258M 模型。适合用 Docling 构建文档转换的人。

Surya OCR 2.5

datalab-to · 工具包

用 689M 参数的模型读取文档图像中的文字，还能找出文本行、版面块和阅读顺序。适合把扫描件和照片变成文字和 HTML 表格的开发者。

Surya 2.5 GGUF

datalab-to · 工具包

从文档图像里读取文字、表格和版面，并以文字返回。这是 Surya 2.5 OCR 模型面向 llama.cpp 的 GGUF 版本，适合想在自己电脑上运行文档 OCR 的人。

Koharu Layout HighRes

mayocream · 工具包

检测漫画页面上的文字、拟声词、对话气泡和分格，返回框和掩码。适合用 Koharu 应用开发漫画翻译和清理工具的人。

SpatialLM1.1-Qwen-0.5B

manycore-research · 工具包

读取 3D 点云并写出结构化的场景布局，包含墙、门、窗和带标签的物体框。适合从事机器人、导航和 3D 场景理解的研究人员和开发者。

Smaug Humanizer

abacusai · 工具包

把 AI 写的文本改写成人类口吻，同时保留事实、数字、名称和排版。这是 Abacus.AI 基于 Gemma 4 微调的 12B 模型，适合写作者和编辑。

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。

Chandra OCR 2

datalab-to · 工具包

读取图片和 PDF 中的文字，返回保留页面布局的 markdown、HTML 或 JSON。能处理手写、表单、表格和数学公式，支持 90 多种语言，适合做文档数字化的人。

FLUX 3 Image Klein Prompt Upsampler

black-forest-labs · 工具包

一个 9B 模型，把简短的图像请求、最多 10 张参考图和可选的边界框，变成一条给 FLUX 3 Image Klein 用的详细提示词。适用于编辑、文生图和布局工作。

Bill Information Extraction

Theivaprakasham · 工具包

一个用在 sroie 上微调的 LayoutLMv3 模型，从账单或收据图片里提取信息的 Gradio 应用。适合想在浏览器里试用文档信息提取的开发者和学生。

Document Layout Detection

Theivaprakasham · 工具包

一个检测文档页面图片版式的 Gradio 应用，附带两张示例页面。适合想在浏览器里试用版式检测的开发者和学生。

Pheonix_Data_Dashboard

Masaaki · 工具包

打开一个由一个 HTML 文件和一个样式表组成的静态仪表盘页面，在浏览器里查看。说明里没有写它显示什么数据，所以适合想看看或复用版式的人。

MOSS-Image depth control LoRA

thedeoxen · 工具包

让灰度深度图来控制 ComfyUI 里用 MOSS-Image-SFT 生成的图像布局，主体和风格仍由你的提示词决定。适合想固定镜头深度的图像创作者。

Typhoon OCR V2 0.8B

typhoon-ai · 工具包

用 0.8B 参数把泰语和英语文档页面解析成按顺序排列的版面元素，带类别、边框和文字。适合要把泰语文件数字化的开发者。

PaddleOCR-VL-1.6

PaddlePaddle · 工具包

读取图片并返回其中的文字，专为解析中英文文档而做。这是 PaddlePaddle 推出的 959M 参数模型，通过 PaddleOCR 库运行。

indra-ocr

datalab-to · 工具包

能在 CPU 上运行的小型 OCR 模型，把 PDF 和图片转成 markdown、文本，或带框的 JSON。能读手写和 80 多种语言。适合开发者和数据团队。

MOSS-Image-Base

OpenMOSS-Team · 工具包

用一个 5.1B 的文生图模型根据文字生成图片，可以用普通提示词、标签序列或 JSON 布局来安排文字和物体。适合有 NVIDIA 显卡的开发者和设计师。

MOSS-Image-SFT

OpenMOSS-Team · 工具包

OpenMOSS 的文生图模型，由 MOSS-Image-Base 微调而来，可以读取普通提示词、标签或 JSON 布局来摆放文字和物体，适合在 NVIDIA GPU 上用 diffusers 生成图片的人。

YOLOv10 Document Layout Analysis

omoured · 工具包

一个 Gradio 应用，用 YOLOv10 模型分析文档的版面，适合想在浏览器或自己电脑上看版面检测效果的人。