AI 智能体技能、规则与提示词工具包

Chroma1-HD

lodestones · 工具包

用基于 FLUX.1-schnell 的 8.9B 开放基础模型把文字提示词变成图片，是为想微调自己图像模型的艺术家和开发者准备的起点。

VQGAN + CLIP

multimodalart · 工具包

把一句文字变成图像，你能看着图像从噪点里逐步成形，并把整个过程存成视频。适合艺术家、学生，以及对经典文生图方法好奇的开发者。

CADGenBench Leaderboard

HuggingAI4Engineering · 工具包

给把文字或图片描述变成有效 3D CAD 模型的 AI 系统排名，并为上传的 STEP 或 BREP 文件打分。适合 CAD 生成的研究者和工程师。

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。

Occamy-1.0

Accio-Lab · 工具包

Accio-Lab 推出的开放 35B 图文模型，基于 Qwen3.6-35B-A3B，提供 BF16、GGUF、FP8、NVFP4 和 MLX 格式。适合部署大模型的团队。

Smaug-Decisions

abacusai · 工具包

针对音频、图像或文本的提问，一次前向传播就给出每个选项的概率，不生成文字。这是从 Gemma 4 E4B-it 微调而来的 4B 决策模型。

GLM-5.3-Flash EXL3 Spark

0xSero · 工具包

在一台 DGX Spark 上以 256k 词元的上下文和图像输入运行 GLM-5.3-Flash，使用每权重约 2.31 位的混合 EXL3 版本。适合在单台小型机器上托管大模型、看重质量而不是速度的人。

BiRefNet

ZhengPeng7 · 工具包

在高分辨率下把图像分成主体和背景，来自 2024 年一个二分图像分割研究项目。适合开发者、图像编辑人员和计算机视觉研究人员。

Qwen-Image-2.1-LoRAs

WarmBloodAban · 工具包

两个用于 Qwen-Image 2.1 图像编辑的 LoRA 插件：一个让动漫角色保持一致，另一个把任意风格的画面变成写实的人物。适合用 AI 编辑图片的人。

natural-face-speech-h3-lora

vpakarinen · 工具包

MiniMax H3 视频模型的 LoRA 附加件，目标是在文生视频和图生视频里得到自然的面部动作和清晰的英语语音。适合制作人物说话短视频的人。

Z-Image-Turbo-GGUF

unsloth · 工具包

Unsloth 制作的 Z-Image-Turbo 的 GGUF 文件，这是一个快速的蒸馏文生图模型，作者称它能放进 16 GB 的消费级 GPU。适合用支持 GGUF 的工具在本地生成图像的人。

Muse Glimmer 30B GGUF

unsloth · 工具包

在本地运行一个能读文字和图片、调用工具并在调用失败后重试的 30B 智能体模型，使用 Unsloth 的 GGUF 文件。适合在消费级硬件上构建本地智能体的开发者。

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。

MOSS-Image Scribble Control LoRA

thedeoxen · 工具包

在 ComfyUI 里为 MOSS-Image-SFT 提供涂鸦控制的 LoRA，把黑底上的白色粗线条变成成品图，由提示词决定质感和风格，适合从草图出发的人。

MOSS-Image Lineart Control LoRA

thedeoxen · 工具包

为 MOSS-Image-SFT 在 ComfyUI 里提供线稿控制的 LoRA，可以给线稿上色，或把照片变成保留线条结构的新场景，适合重绘线稿和设计草图的人。

MOSS-Image Canny Control LoRA

thedeoxen · 工具包

在 ComfyUI 里为 MOSS-Image-SFT 提供 Canny 边缘控制的 LoRA，保留照片的轮廓，让提示词改变材质、颜色和风格，适合编辑和重绘图片的人。

Wan2.1-VAE-upscale2x

spacepxl · 工具包

把 Wan2.1 的 VAE 解码器换成能 2 倍放大并消除斑点和颗粒噪声的版本，可用于 ComfyUI 和 diffusers。适合用 Wan 或 Qwen 模型生成图像的人。

Realistic_Vision_V5.1_noVAE

SG161222 · 工具包

这是一个没有内置 VAE 的 diffusers 检查点，用文字提示词生成写实图像，附带推荐的采样器、反向提示词和放大设置。适合设计师、创作者和开发者。

MageTrail

RicemanT · 工具包

这个模型根据 booru 风格的标签提示词生成插画，是 MageFlow 4B 图像模型的 2.8B 参数微调版。适合使用 ComfyUI、想用标签生成插画的爱好者和研究人员。

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。

pplx-embed-v2-late-0.6b

perplexity-ai · 工具包

用 ColBERT 风格的模型给查询与文本、图像和文档页面打分，每个词元保留一个小向量。适合为混合文档搭建搜索的开发者。

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

pentacoxian-dev · 工具包

在一块 24 GB 的 GPU 上，以 262K token 的上下文和图片输入运行带稀疏注意力的 Qwen3.8-27B，是 GGUF 文件，适合有定制版 llama.cpp 引擎的人。

P-JiT-21K-ComfyUI

PedroMarinhoDev · 工具包

在 ComfyUI 里根据文字提示生成图像，用的是 Linum 的 2B 参数 P-JiT 21K 模型，提供 bf16 和 int8 文件，4 GB 空闲显存就能运行。适合显卡配置一般的 ComfyUI 用户。

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。

Illustrious XL v2.0-STABLE

OnomaAIResearch · 工具包

根据文字提示词生成图像。这是 Illustrious XL v2 稍微更稳定的检查点，适合在作者网站或自己的环境里做图的人。

VLX-Seek-1.5-10B

omlab · 工具包

通过在候选区域中选择来找到并指出图像中的物体，目标不存在时回答 None。适合无人机、机器人和监控摄像头的视觉工作。

MOSS-Image SFT Destripe LoRA

nynxz · 工具包

用一个 1.9 MB 的 LoRA 去掉 ComfyUI 里 MOSS-Image SFT 画面中淡淡的竖向色条，另提供把 q、k、v 拆开的检查点。适合用 MOSS-Image 出图的 ComfyUI 用户。

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。

Qwen3.5-0.8B-weight-space-programming-GGUF

NotCherry · 工具包

把 Qwen3.5-0.8B weight-space-programming 模型打包成适用于 llama.cpp 的 GGUF 文件，包括 4 位文本模型和用于图像输入的独立视觉投影文件。

Comet 60B

MultiverseComputingCAI · 工具包

Multiverse Computing 的 61.1B 多模态模型，是 NVIDIA Nemotron 3.5 Super 的压缩版本，接收文本、图像和视频，并保持约 12B 参数被激活。适合想用更少 GPU 通过 vLLM 部署大型开放模型的团队。

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。

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。

Ming-Image-0.1-Design

inclusionAI · 工具包

inclusionAI 的 6B 文生图模型，适合界面设计稿、信息图、海报等文字较多的设计，还支持透明背景（RGBA）输出。

Crystal-31B-RL

hiwaifu-research · 工具包

从 Gemma 4 31B-IT 后训练而来的角色扮演聊天模型，用用户的语言回复，无论是俄语、西班牙语、英语还是葡萄牙语，并一直保持这种语言。可处理图像和文字。

QMA Camera Angles

gribbliest · 工具包

用一个简短的提示词，从新的相机角度重新渲染一张图片，是 Qwen Image 2.1 的编辑 LoRA。适合在 ComfyUI 或 diffusers 里编辑图片的艺术家和开发者。

DeepSeek-V4.1-Flash-1017 GGUF

ggml-org · 工具包

DeepSeek 的 748B 模型 V4.1 Flash 1017 的 GGUF 文件，由 ggml-org 转换并附带处理图片的视觉文件，适合有大内存机器、通过 llama.cpp 工具运行模型的人。

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。

AuraSR-v2

fal · 工具包

用基于 GAN 的超分辨率模型把生成的图片放大四倍。由 fal 制作，适合想把生成图片放大的人。

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 1.1 27B GGUF

Egzakta · 工具包

用多种大小的 GGUF 文件运行 27B 的 KVARK Sparkle 1.1 模型，可选图像输入和推测解码。适合用 llama.cpp、Ollama 或 LM Studio 在本地跑模型的人。

Qwen3.8-27B-Jumbo-Fusion-IQ-747-900-Turbo-Brilliance-50X

DavidAU · 工具包

DavidAU 对 27B Qwen 模型的 GGUF 微调版，有可切换的指令和推理模式，以及内置的帮助系统。Hugging Face 把它列为图文转文字。供本地运行。

Qwen3.8-27B-Cold-Fusion-GAIN-V1.1-NM-DAU-NEO-MAX-MTP-GGUF

DavidAU · 工具包

回答问题并读取图像，思考过程短得多。这是 DavidAU 对 27B 的 Qwen 3.8 的调优版 GGUF，目标是在保持准确度的同时减少推理 token，适合在本地运行模型的人。

FLUX.1-schnell for ComfyUI

Comfy-Org · 工具包

为 ComfyUI 重新打包的 FLUX.1-schnell 检查点，把文字提示词变成图像，带有一个运行更快、占用内存更少的 FP8 文件。适合 ComfyUI 用户。

BiRefNet

Comfy-Org · 工具包

Comfy-Org 重新打包的抠背景模型文件，可以在 ComfyUI 里加载。它生成一个遮罩，把主体和背景分开。适合在图像里抠出主体的 ComfyUI 用户。

safetensored-upscalers

AshtakaOOf · 工具包

把图像放大模型和少量其他图像到图像模型收集在一个仓库里，以 safetensors 文件提供，由旧的 pickle 文件转换而来。适合在自己电脑上运行放大模型的人。

MOSS Sharpness Slider

aoleg · 工具包

MOSS-Image 模型的滑块式 LoRA，只靠强度就能让图片更锐利或更柔和，不需要触发词。适合想修复 MOSS Base 模糊问题的图像创作者。

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。

GLM-5.3-Flash-BF16

zai-org · 工具包

一个 320B 参数、激活 18B 的多模态模型，能读文字和图像，思考预算可调，用混合注意力设计处理长上下文。适合有像样 GPU 基础设施的团队。

Wan2.1-VACE-1.3B

Wan-AI · 工具包

用 Wan2.1 的 VACE 模型根据提示词、静态图片或已有片段制作和编辑视频，视频里还能出现中英文文字。适合有消费级 GPU 的视频创作者和开发者。