AI 智能体技能、规则与提示词工具包

Pixel CNN MNIST

keras-io · 工具包

在 Gradio 页面里用 Keras 团队的 PixelCNN 模型生成手写数字风格的小图片，适合对图像生成好奇的机器学习学习者。

Augmenting CNNs with attention-based aggregation

keras-io · 工具包

在 Gradio 页面里用在 ImageNette 上训练的、带注意力聚合的 CNN，显示图像分类器决定背后的注意力图，适合机器学习学习者和研究人员。

Zero DCE Low Light Image Enhancement

keras-io · 工具包

在 Gradio 页面里用 Keras 团队的 Zero-DCE 低光增强模型提亮昏暗的照片，附带示例图片，适合摄影爱好者和学习者。

Involution

keras-io · 工具包

在 Gradio 页面里运行 Keras 团队用 involution 层搭建的图像模型，附带示例图片，适合机器学习学习者和视觉研究人员。

Integrated Gradients

keras-io · 工具包

在 Gradio 页面里用积分梯度方法显示图片的哪些部分推动了模型的预测，附带一张大象照片可以试，适合机器学习学习者和研究人员。

Human Part Segmentation

keras-io · 工具包

在 Gradio 页面里用 Keras 的 DeepLabV3+ 模型标出照片中人物的各个部位，比如四肢和躯干，附带示例图片，适合学习者和计算机视觉开发者。

Flowers Classification MobileViT

keras-io · 工具包

在 Gradio 页面里用 Keras 的小型 MobileViT 模型识别照片里的花的种类，附带示例图片，适合机器学习学习者和植物爱好者。

Deep Dream

keras-io · 工具包

在 Gradio 页面里用 Keras 模型给图片做 DeepDream 效果，附带一张天空照片可以试，适合机器学习学习者和图像爱好者。

Practica1

Jacampo · 工具包

在 Gradio 页面里运行一个已保存的图像模型，附带两张示例图片。模型文件名里有 blindness，但记录没有说明它预测什么。这是课程风格的演示。

Anime Face Detector

hysts · 工具包

用纯 PyTorch 在 Gradio 页面里找出图片中的动漫人脸，并为每张脸估计 28 个关键点，适合画师、数据集制作者和机器学习开发者。

Inpaint_Me

Huertas97 · 工具包

在 Streamlit 页面里用图像修复补全或修补图片的指定部分，附带示例图和修复结果，适合修图的人和机器学习学习者。

Quickdraw

hitchhiker3010 · 工具包

在 Gradio 页面里用已保存的模型识别手绘草图，适合想试试小型涂鸦分类器或研究简单图像演示的人。

Danbooru Tags Transformer V2 with WD Tagger

John6666 · 工具包

给图片打上 Danbooru 风格的标签，并用 Florence-2 模型写图片说明。在浏览器里以 Gradio 应用运行，适合给动漫风格图片做标注或写说明的人。

Qwen3.6-35B-A3B-FP8

Qwen · 工具包

读取文本和图像并输出文本，是 Qwen3.6-35B-A3B 的 FP8 版本，激活参数 3B。适合运行编程智能体、又想比全精度下载更小的开发者。

Qwen3.6-27B

Qwen · 工具包

Qwen 的 27B 模型，读取文字和图片并用文字回复，针对编程智能体和仓库级工作调校，适合用 transformers 库运行它的开发者。

Qwen3.5-9B Brainwaves DeepThought STEM OneJev1.6

nightmedia · 工具包

nightmedia 制作的实验性 9.4B 图文模型，由三个 9B 模型合并而成，面向推理和理科问题。适合喜欢尝试小型开放合并模型的爱好者和研究者。

embeddinggemma-2-740m-litert-lm

litert-community · 工具包

为 LiteRT-LM 设备端运行打包的 740M 多模态 EmbeddingGemma 2。它把文字、代码、图片、视频和音频映射到同一个 768 维向量空间。

Licon VBVR for MiniMax-H3

LiconStudio · 工具包

一个用于 MiniMax-H3 的图生视频 LoRA，减少生成视频里物体重复、穿模和动作怪异的情况。适合用静态图做动画的 ComfyUI 用户。

gemma-4-26B-A4B

google · 工具包

读取文字和图片并输出文字，适合想在自己的 GPU 或工作站上，用 Google DeepMind 开放权重模型做编程、推理和图片提问的开发者。

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。

SeedVR2

Comfy-Org · 工具包

借助 ByteDance Seed 的 SeedVR2 3B 和 7B 重新打包的文件，在 ComfyUI 里放大图片和视频，提供多种精度格式。适合在自己电脑上用 ComfyUI 做放大的用户。

Animagine XL 4.0

cagliostrolab · 工具包

根据标签式文字提示词生成动漫风格图片，是在大型动漫数据集上重新训练的 Stable Diffusion XL 微调模型。适合使用 diffusers、ComfyUI 或 Stable Diffusion WebUI 的画师和开发者。

joey-1

baselabs · 工具包

用一个 2B 模型，针对文本或图片回答是非题、选择题和打分题，并返回校准过的概率。适合需要自动分流、分诊或分类请求的团队。

Qwen-Image-2.1-Next-Scene-LoRA

akhaliq · 工具包

Qwen-Image-2.1 的 LoRA，把输入画面和导演式指令变成下一个镜头，并保持场景一致。适合做分镜的人和图像创作者。

Qwen-Image-2.1-Multiple-Angles-LoRA

akhaliq · 工具包

Qwen-Image-2.1 的相机控制 LoRA，能从你选的角度重新拍摄一个主体，有 36 个姿态外加特写版本。适合用 ComfyUI 或 diffusers 的图像创作者。

MOSS-Image-SFT-4-steps

akhaliq · 工具包

让 MOSS-Image-SFT 文生图模型只用 4 步、无需引导就能出图，只需一个 LoRA 文件。可渲染英文和中文文字，适合 ComfyUI 和 diffusers 用户。

d3-flash

vllm-sr · 工具包

一个 9B 模型，一次调用就能回答关于文字、图像或视频的多个选择、是非和打分问题，并为每个答案返回概率而不是生成文字。适合路由和决策任务。

d3

vllm-sr · 工具包

用一次调用回答关于文字、图像或视频的选择、是非和打分问题，为每个答案返回概率而不是文字。这是 27B 的决策模型，适合做路由和分流的开发者。

Qwen3.5-0.8B-GGUF

unsloth · 工具包

unsloth 制作的 Qwen3.5-0.8B 小型 GGUF 版本，能读图片和文字并用文字回答。适合在本地做原型、微调和研究。

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。

mai_replier-9b-v3

tcmofashi · 工具包

在中文 QQ 群聊里扮演一个角色：读取聊天记录，写出一句简短随意的回复，不显示推理过程。这是 Qwen3.5-9B 的合并 9B 微调模型，也能读取聊天里的图片。

QwenImage-2.1-Texture-Inpaint-Outpaint-Lora

TawusGames · 工具包

TawusGames 发布的 LoRA，从名字看用于 Qwen Image 2.1 的纹理局部重绘和外扩。模型页没有更多说明。

Qwen3.8-27B IQR-V4

StillDeadcode · 工具包

把 Qwen3.8-27B 压缩成十五种大小，每个权重约 2.5 到 8 位，面向 AMD RDNA4 GPU 上的 radiance 引擎，内含图片读取和提速草稿器。

Qwen3.5-35B-A3B

Qwen · 工具包

能读图像和文字的多模态聊天模型，总参数 35B，每次只启用其中 3B。适合用 Transformers、vLLM 等自己部署大模型的开发者。

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。

Wan2.2-I2V-A14B-GGUF

QuantStack · 工具包

提供 Wan2.2-I2V-A14B 的 GGUF 文件，这是一个把静态图片变成视频的 14B 模型，可在 ComfyUI 里配合 ComfyUI-GGUF 节点使用。适合在家用 GPU 上做短视频的人。

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。

Mage-VL

microsoft · 工具包

Microsoft 推出的图像和视频多模态模型，像视频编码器存储视频那样读取视频，只保留变化的图块。适合做视频理解和流式处理的开发者和研究者。

DeepSeek-V4.1-Flash-1017 EXL3 EAQ v1 2.9 bpw

Mia-AiLab · 工具包

DeepSeek-V4.1-Flash-1017 的 2.9 bits-per-weight EXL3 量化版本，能读取文本和图片。它把模型压缩到约 210 GB，供 exllamav3 运行时使用，模型卡还测量了它与原模型的贴近程度。

MOSS-Image-Base 8-step data-space DMD

lodestones · 工具包

对 MOSS-Image-Base 的一个仍在进行中的蒸馏，8 步、无需引导即可出图，以 LoRA 和数据空间采样器的形式提供。适合试验快速文生图采样的人。

gemma-4-12B-it-qat-q4_0-gguf

google · 工具包

以 4-bit GGUF 文件运行 Google 的 Gemma 4 12B 指令微调模型，使用量化感知训练制作。能读取文本和图片，适合笔记本和消费级显卡。

gemma-4-12B-it

google · 工具包

接收文字、图片和音频并输出文字回答，是 Google DeepMind 的 12B 指令微调模型，上下文 256K 词元，思考模式可配置。适合在本地运行开放模型的开发者。

Fibo 2.0

Comfy-Org · 工具包

借助 BRIA AI 重新打包的 Fibo 2.0 文件，在 ComfyUI 里编辑图片，提供 bf16 和 int8 两种版本，以及 Dev 和 Turbo 编辑工作流。适合在自己电脑上用 ComfyUI 的用户。仅限非商业许可。

d3-ultra

vllm-sr · 工具包

对同一份文本、图片或视频输入一次回答多个问题，为每个答案给出概率，不生成文字。这是 vLLM Semantic Router 推出的 27B 多模态决策模型。

d3-mini

vllm-sr · 工具包

一次调用就能回答关于文本、图片和视频的选择题、是非题和打分题，并为每个答案返回概率，而不是生成文字。适合需要给请求分流或分类的开发者。

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。

gemma-4-E4B-it-GGUF

unsloth · 工具包

Google Gemma 4 E4B 指令模型的 4-bit GGUF 版本，由 Unsloth 打包，可在你自己的机器上运行。它能读取文字和图像，并用文字回答。

gemma-4-12b-it-GGUF

unsloth · 工具包

Unsloth 制作的 Google 指令微调 Gemma 4 12B 的 GGUF 量化版本，一个能读文字、图片、音频和视频并输出文字的模型，适合本地运行。

embeddinggemma-2-GGUF

unsloth · 工具包

把文字变成 768 维向量，用于设备端的搜索、检索和聚类。基础模型还支持图像、视频和音频。由 Unsloth 打包成 GGUF。

Pixal3D

TencentARC · 工具包

从单张图片生成详细的 3D 网格，几何与像素对齐，并带 PBR 纹理。适合在自己的 NVIDIA GPU 上运行图像转 3D 的图形研究者和开发者。

Juggernaut-XL-v9

RunDiffusion · 工具包

根据文字提示生成写实风格的图片，是 Stable Diffusion XL 的微调版本，模型卡说它能在 8 GB 显存上运行。适合想用现有 SDXL 工具得到照片风格效果的创作者。

Qwen3.5-2B

Qwen · 工具包

Qwen 的小型 2B 模型，读取文字和图片并用文字回复，适合用 transformers 库做原型、微调或研究的开发者。

Qwen3.6-35B-A3B-NVFP4

nvidia · 工具包

NVIDIA 用 Model Optimizer 制作的、预先量化好的 Alibaba Qwen3.6-35B-A3B 的 NVFP4 版本。它能处理文本、图片和视频，可在 Hopper 或 Blackwell GPU 上用 vLLM 运行。

LongCat-Next

meituan-longcat · 工具包

把文字、图像和音频作为离散 token 统一处理的原生多模态模型，参数 74.3B。适合构建能看、能听、能生成内容的应用的研究人员和开发者。

JDI-Decision-V1

JoyIndustrial · 工具包

以选项和概率回答关于文本和图像的结构化问题，是京东工业推出的决策系统，基于 Qwen3.8-27B 并内置 OCR。适合需要分派或分类请求的团队。

Qwen3.5-0.8B Astra Weight Edit

JonathanColetti · 工具包

直接编辑两个权重张量，不经训练，修复 Qwen3.5-0.8B 在思考模式下陷入的重复循环。这是一个小型图文模型，可用于 Transformers、vLLM、llama.cpp 和浏览器。

gemma-4-E2B

google · 工具包

处理文本、图片和音频输入并输出文本，是为笔记本和手机设计的小型 Gemma 4 模型。来自 Google DeepMind，有效参数 2.3B，上下文 128K。

gemma-4-31B

google · 工具包

读取文字和图片并输出文字，适合想用 Google DeepMind 最大的稠密开放权重 Gemma 4 模型做编程、推理和图片提问的开发者和研究人员。

Qwen3.8-27B-GGUF

ggml-org · 工具包

以 GGUF 文件形式运行 Qwen3.8-27B，这是一个 26.9B 的模型，能读图片和文字并用文字回复，通过 llama 工具在本机使用，适合想把它放在自己电脑上的你。

Pixal3D

Comfy-Org · 工具包

Comfy-Org 打包的 Pixal3D 的 ComfyUI 即用文件，附带从单张图片或多个视角生成 3D 模型的工作流。基于 TencentARC 的 Pixal3D 模型。

DeepSeek-V4.1-Flash-1017-Sushi-STQ-1.75bpw

beamster · 工具包

让 261B 的 DeepSeek V4.1 Flash 模型在 Apple Silicon Mac 上通过 sushi 引擎运行，权重压到约每个 1.75 比特，支持图片输入，上下文最长 1,048,576 个词元。

AuroraIMG2-100M

AuroraAI-Research · 工具包

用一个在单块显卡上从零训练的 100M 参数小模型，根据文字生成 256x256 的图片。适合想运行或研究小型文生图模型的人。

OvisOCR3

ATH-MaaS · 工具包

用一个 0.8B 模型读取文档图片，返回文字、结构化 JSON、带公式和表格的 Markdown、关键字段和图表说明。适合构建 OCR 和文档流程的开发者。

MOSS-Image-CharRef

7err4 · 工具包

在 ComfyUI 中，为 MOSS-Image Base 提供的 LoRA，凭一张参考图在新场景里画出同一个角色，无需为每个角色单独训练。适合动漫和插画角色，支持单张图片和漫画页。

Z-Image

Tongyi-MAI · 工具包

根据文字描述生成图片，拥有 6.2B 参数，是 Z-Image 系列完整的未蒸馏基础模型。适合想要精细控制结果的创作者、研究人员和开发者。

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。

pixai-tagger-v1.0

pixai-labs · 工具包

用 30,877 个标签的词表给动漫图片打标签，分六个类别，涵盖角色、服装和风格。适合整理图片库、构建数据集或撰写图片说明的人。

MiniCPM-o 4.5

openbmb · 工具包

一个 9B 模型就能处理图片、视频、语音和实时音视频流，并用英文和中文以文字和语音回答。适合构建语音和视觉助手的开发者。

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。

gemma-4-31B-it-GGUF

unsloth · 工具包

通过 Unsloth 的 GGUF 文件在本地运行 Google 的 Gemma 4 31B 指令微调模型，支持文本和图像输入，上下文很长。适合想要强大本地推理和编程模型的开发者。

YOLO26

Ultralytics · 工具包

用 Ultralytics 的 YOLO 模型系列在图片和视频中找出物体，同系列还覆盖分割、分类、深度、姿态和跟踪。适合开发计算机视觉应用的开发者。

Idol-GGUF

TimeLordRaps · 工具包

SperiD Labs 的 Idol 的 8-bit GGUF 版本，把一张图像变成 3D 高斯点云和网格，用 idol.cpp 在本地运行。适合做图像转 3D 的开发者。

Qwen-Image-Edit

Qwen · 工具包

根据文字指令编辑现有图片，修改物体、风格或图片里的中英文文字，适合使用 diffusers 库的设计师和开发者。

Qwen-image-2.1_loras

GooHAI · 工具包

为 Qwen-Image-2.1 增加两个图像编辑 LoRA，一个修正像素偏移，一个移除遮罩区域。适合用该基础模型编辑图像的人。

Z-Image Turbo

Comfy-Org · 工具包

Comfy-Org 打包的 Z-Image-Turbo 文生图模型的 ComfyUI 即用文件，附带文生图、放大和 ControlNet 工作流。基于 Tongyi-MAI 的原版。

TRELLIS.2

Comfy-Org · 工具包

Comfy-Org 重新打包的微软 TRELLIS.2-4B 模型文件，供 ComfyUI 使用，用于图片转模型工作流，适合从图片构建 3D 资产的人。

Inkling

thinkingmachines · 工具包

读取文字、图片和音频并写出文字，是一个庞大的开放多模态模型，适合编码助手、智能体和聊天机器人。适合有多 GPU 服务器或托管 API 的开发者。

Qwen3.8-27B NVFP4

nvidia · 工具包

NVIDIA 把阿里巴巴 Qwen3.8-27B 压缩成 4 位 NVFP4 的版本，用 Model Optimizer 制作，面向 Blackwell GPU，输入文字、图片和视频，输出文字。

Haruka-Tagger

KaraKaraWitch · 工具包

一次为动漫风格插画打上多达 98,782 个 Danbooru 标签，涵盖画师、角色、版权、通用特征、年份和分级。适合整理或检索图片集合的人。

DeepSeek-V4.1-Flash-1017-Basalt

jesdga · 工具包

把 DeepSeek V4.1 Flash 打包成单个模型文件供 Basalt 引擎使用，它在一张 NVIDIA Blackwell GPU 上运行，放不下的专家由系统内存承担。支持图片，上下文最长 1,048,576 个词元。

MOSS-Image-Edit-HQ

akhaliq · 工具包

一个非官方的社区 LoRA，在 MOSS-Image-SFT 之上根据文字指令编辑图片，用于 ComfyUI。适合想试用开放的指令式图像编辑的图像创作者。

Vimoo-1.0

Vimoo-AI · 工具包

根据文字提示词，或参考图加文字生成视频，每项任务用一个单独的 11.7B 模型。适合想做短视频的创作者和营销团队。

Qwen3.5-4B-GGUF

unsloth · 工具包

Unsloth 制作的 Qwen3.5-4B GGUF 量化版本，一个能读图片和文字并用文字回答的小模型，适合在本地运行模型的人。

TRELLIS.2-4B

microsoft · 工具包

微软的 4B 图片转 3D 模型，把一张图片变成带 PBR 材质的有纹理 3D 网格，分辨率最高到 1536，适合有大显存 NVIDIA GPU 的人。

GTA world model

lucidml · 工具包

你按住按键时，从一张起始图像逐帧生成视频，并推流到浏览器。这是一个用 GTA5 素材训练的世界模型的权重和推理代码，适合研究者和机器学习工程师。

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。

gemma-4-E4B-it

google · 工具包

接收文字、图像和音频输入并输出文字，上下文 128K token，支持 140 多种语言。这是 Google DeepMind 的小型指令微调 Gemma 4 模型，为在笔记本和手机上运行而设计。

Wan 2.2

Comfy-Org · 工具包

把 Wan 2.2 视频模型和相关文件打包成 ComfyUI 能加载的形式，涵盖图生视频、文生视频、相机控制等。适合在 ComfyUI 里生成视频的人。

GLM-OCR

zai-org · 工具包

读取文档图像中的文字、公式和表格，并从中提取结构化信息，支持八种语言。这是 zai-org 的小型 OCR 模型，面向开发者和文档处理流水线。

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。

pplx-decider-flash-v1.2

perplexity-ai · 工具包

Perplexity 的小型决策模型，基于 Qwen3.5-4B，读取文字和图片，用概率回答选择题、是非题和打分题，适合快速分流和分诊。

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。

gemma-4-E2B-it

google · 工具包

接收文字、图像和音频输入并输出文字，上下文 128K token，支持 140 多种语言。这是 Google DeepMind 最小的指令微调 Gemma 4 模型，为手机和笔记本而设计。

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。

Qwen3.5-9B-GGUF

unsloth · 工具包

Unsloth 制作的 Qwen3.5-9B GGUF 量化版本，一个能读图片和文字并用文字回答的中等规模模型，适合在本地运行模型的人。

gemma-4-E4B

google · 工具包

Google DeepMind 的 Gemma 4 系列中的 E4B 模型，一个能读文字、图片和音频并输出文字的开放模型，面向笔记本和手机运行而设计。

Nemotron 3.5 Parse

nvidia · 工具包

读取扫描件、PDF、幻灯片和表单的页面图像，返回其中的文字、表格、图表数据、阅读顺序和边框，输出为 Markdown、HTML 或 JSON。NVIDIA 推出的 631M 参数模型，面向开发者。

Qwen3.8-27B-QSA-GGUF

higa2515 · 工具包

用 GGUF 文件运行带稀疏注意力的 Qwen3.8-27B，提供 Q8_0 和 Unsloth 的 Q4、Q5、Q6 混合版本，支持文字、图片和视频输入。适合使用 NVIDIA 显卡的 Linux 用户。