AI 智能体技能、规则与提示词工具包

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。