AI 智能体技能、规则与提示词工具包

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。

Clef

Cloudflare · 工具包

Cloudflare 的 27B 多模态模型，针对文本、JSON、图片或视频输入，为带类型的问题给出每个允许答案的分数，而不是写出自由文本。

stable-diffusion-xl-base-1.0

stabilityai · 工具包

Stability AI 的 SDXL 基础模型，通过 diffusers 库根据文字提示词生成和编辑图片，可单独使用，也可搭配精修模型。

Arete-27B-GGUF

AtomicChat · 工具包

用六种尺寸的 GGUF 文件运行 Nous Research 的 Arete 27B，这是 Qwen3.8-27B 的微调版，能读文字和图像，并附有实测的质量损失。适合在自己 GPU 上运行大模型的人。

MOSS-Image-pose-controlnet

thedeoxen · 工具包

以 DWPose 骨架作为控制图，让生成的图像跟随身体姿势，是 MOSS-Image-SFT 的 LoRA。适合想在 ComfyUI 里摆出角色姿势的画师和动画师。

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。

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。

FLUX.2 [klein] 4B

black-forest-labs · 工具包

Black Forest Labs 的小型图像模型，能根据文字生成图片，也能参照图片编辑，速度快，适合在消费级显卡上做交互式使用。

Qwen3.6-35B-A3B-GGUF

unsloth · 工具包

用 Unsloth 的 GGUF 文件运行 Qwen3.6-35B-A3B，这是能读图和文字的混合专家模型，每个词元只用约 3B 参数。适合在本地运行大模型的开发者。

Inkling-Small

thinkingmachines · 工具包

读取文字、图像和音频并用文字回答，面向开发助手、编程工具和智能体的开发者。这是稀疏混合专家模型，总参数 276B，每个词元激活 12B。

Qwen3.8-27B-FP8

Qwen · 工具包

用 Qwen3.8-27B 的 FP8 量化权重处理文字、图片和视频，它是带可调思考模式的 27B 稠密模型。适合用 transformers、vLLM 或 SGLang 部署它的开发者。

Anima-RGBA

localai0301 · 工具包

通过 4 通道 VAE 和配套 LoRA，让 Anima 模型输出透明背景（RGBA）图像，用于 ComfyUI。适合需要带干净 alpha 通道的抠图的画师。

gemma-4-26B-A4B-it

google · 工具包

Google 发布的经指令微调的 Gemma 4 模型，读取文字和图像并输出文字，支持可配置的思考、函数调用，上下文窗口最长 256K 词元。适合开发者和研究者。

MOSS-Image-SFT-8-steps-dmd

lodestones · 工具包

把 MOSS-Image-SFT 的出图步数减到 8 步且不用 CFG，以 ComfyUI 的 LoRA 文件提供。这是一个仍在进行中的蒸馏，适合在本地生成图像的人。

Qwen3.5-0.8B

Qwen · 工具包

读取图片和文字并用文字回复，来自 Qwen 的 873M 小模型。适合想用轻量多模态基础模型做原型或微调的开发者和研究者。

Qwen3.5-4B

Qwen · 工具包

用一个 4B 的混合架构模型处理文字和图片输入，支持 201 种语言和方言，上下文为 262,144 个 token。适合在 transformers、vLLM 或 SGLang 里运行小型开放权重的开发者。

Muse Glimmer 30B

meta-models · 工具包

读取文字和图片，在本地机器上完成工具调用、多步推理等智能体任务，是从 Muse Spark 蒸馏出的 30B 模型。适合构建本地智能体的开发者。

Xiaomi-OCR-0

xiaomi-research · 工具包

用 Xiaomi 的一个 0.8B OCR 模型解析文档，并回答关于图片中文字的问题，涵盖表格、公式和手写，适合构建 OCR 和文档工具的开发者。

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。

Kromoss

lodestones · 工具包

用 MOSS-Image-Base 在 1024 px 下的完整微调版本根据文字生成图片，另附两个 8 步加速 LoRA。可直接替换 MOSS-Image-SFT，适合 diffusers 和 ComfyUI 用户。

moss_image_base_dmd2

data-archetype · 工具包

作为 MOSS-Image-Base 模型的蒸馏 LoRA，用 8 步而不是 50 步根据文字出图。适合想要更快生成图片的 ComfyUI 和 Diffusers 用户。

BFS: Best Face Swap

Alissonerdx · 工具包

用适用于 Qwen Image、Flux 2 Klein、Krea 2 和 LTX-2 的 LoRA 文件，在 ComfyUI 里替换图片中的脸、头或身体。只能用于你有权使用的脸和人物。

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。

Minimax-h3_Singularity

WarmBloodAban · 工具包

在 ComfyUI 里用 MiniMax-H3 的微调融合模型，根据文字、图片、参考或其他视频生成视频，现为 V2 INT8 版本。适合想要更强动作场景和风格控制的视频创作者。

Wan2.2-TI2V-5B

Wan-AI · 工具包

用文字，或用图像加文字，生成 720P、24 fps 的视频，能在单块消费级显卡（如 4090）上运行。这是 Wan-AI 的 5B 视频模型，适合创作者和研究者。

Z-Image-Turbo

Tongyi-MAI · 工具包

只用 8 次函数评估就能根据文字生成写实图片，并能渲染英文和中文文字。适合想在 16 GB 消费级显卡上快速生成图片的人。

Qwen3.6-35B-A3B

Qwen · 工具包

用一个 35B 的混合专家模型处理编程、仓库级推理和图文输入，它激活 3B 个参数。适合在 transformers、vLLM 或 SGLang 里运行开放权重的开发者。

HairDeck

hyz317 · 工具包

把一张角色图片变成风格化的 3D 发片，带颜色和用于动画的弹簧骨骼链，可导出为 GLB 网格或 VRM 虚拟形象，适合有 CUDA GPU 的虚拟形象创作者和 3D 美术。

Qwen3.5-9B

Qwen · 工具包

Qwen 的 9B 开放模型，能读取文字和图片并输出文字，上下文很长，支持 201 种语言和方言，适合想在自己硬件上用中等规模模型的开发者。

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。

DeepSeek-V4.1-Flash-1017-GGUF

unsloth · 工具包

Unsloth 制作的 DeepSeek-V4.1-Flash-1017 的 GGUF 量化版本，这是一个巨大的图文模型，可在 128 GB 或更多内存的机器上本地运行，适合自己运行大型开放模型的人。

Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF

ISTA-DASLab · 工具包

Qwen3.8-Flash-Next 的偏编程 GGUF 版本，去掉了一半专家，把 BF16 的 354 GB 缩到 58.4 GB，同时保留图片输入，适合有大机器、想在本地用编程模型的人。

Idol

Comfy-Org · 工具包

在 ComfyUI 里把一张图片变成 3D 高斯点云，使用重新打包的 TripoSplat 微调模型文件，适合在 ComfyUI 工作流里用图片生成 3D 的人。

gemma-4-31B-it

google · 工具包

Google DeepMind 推出的 31B 指令微调模型，能读文字和图片并输出文字，上下文 256K，可配置思考模式，适合在工作站或服务器上运行开放模型的开发者。

MOSS-Image-heal

KBlueLeaf · 工具包

KBlueLeaf 对 MOSS-Image-Base 文生图模型做的微调，缩小了其内部数据流里的极大值，同时让输出和基础模型保持接近。适合 ComfyUI 和 diffusers 用户以及数值研究人员。

Qwen3.8-Flash-Next-GSQ-RCO-GGUF

ISTA-DASLab · 工具包

Qwen3.8-Flash-Next 的 GGUF 版本，有四种大小，每个张量用各自的精度量化，并带有支持图片输入的视觉投影文件，适合在本地运行大型混合专家模型的人。

MOSS-Image

Comfy-Org · 工具包

为 ComfyUI 重新打包的文生图和图像编辑模型文件，来自 OpenMOSS 的 MOSS-Image 系列，适合在节点工作流里生成或编辑图片的 ComfyUI 用户。

THX-02

HAL-X-AI · 工具包

针对一条消息、文档、图片或图表里的纯文字问题，在几十毫秒内给出每个选项的概率，适合做工单分流和记录分类的开发者。

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。

pjit-21k

Linum-AI · 工具包

Linum 的实验性 2B 文生图模型，训练算力约 2.1 万美元，最适合用 50 到 80 个词的详细提示词，不能在图里写字。适合研究人员和好奇的创作者。

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

ISTA-DASLab · 工具包

ISTA-DASLab 制作的 Qwen3.8-27B GGUF 版本，共四种大小，每个张量用各自的精度量化，并带有处理图片的视觉投影文件。适合在 llama.cpp、Ollama 或 LM Studio 里本地运行模型的人。

embeddinggemma-2

google · 工具包

Google DeepMind 的开源嵌入模型，把文字、代码、图片、视频和音频放进同一个 768 维向量空间，可在笔记本和手机上运行。适合构建搜索和检索的开发者。

Understanding Women

GotAudio · 工具包

在 Gradio 页面里用一个已保存的模型处理图片，附带三张示例图可以试。记录没有说明它预测什么，所以请打开 Space 看它的用途。

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。

TorchCAM 类激活图

frgfm · 工具包

frgfm 做的 Docker 应用，为 PyTorch 模型生成类激活图，比如 CAM 和 Grad-CAM，显示图像模型看了哪里。适合想在浏览器里看它输出的开发者。

Holocron

frgfm · 工具包

frgfm 做的 Gradio 演示，对应 Holocron，一个用 PyTorch 写成的近期计算机视觉技术合集，用的是 rexnet1_0x 模型。适合想在浏览器里试用它的图像模型的人。

Fast Neural Style Transfer 快速风格迁移

frapochetti · 工具包

frapochetti 做的 Gradio 应用，从名字看是用快速神经网络把图片重绘成另一种风格。适合想在浏览器里试用图像风格迁移的人。

DALL·E mini 文字生成图片

flax-community · 工具包

flax-community 做的静态网页，从名字看是 dalle-mini 文字生成图片模型的前端。适合想在浏览器里试用开源图片生成器的人。

Rice Disease Detector 水稻病害检测器

dnth · 工具包

dnth 做的 Gradio 应用，从名字看是在图片里检测水稻病害，带有保存的检查点和八张示例图片。适合对植物病害检测感兴趣的学生和种植者。

Rice Disease Classifier 水稻病害分类器

dnth · 工具包

dnth 做的 Gradio 应用，从名字看是根据图片给水稻病害分类，带有保存的学习器文件和示例图片。适合对植物病害分类器感兴趣的学生和种植者。

Car Part Classification 汽车零件分类

Detomo · 工具包

Detomo 做的 Streamlit 应用，用来从图片里识别汽车零件，仓库里有 ONNX 模型和保存的嵌入向量。适合探索图像分类的人。

PokeGAN

dechantoine · 工具包

dechantoine 做的 Gradio 应用，名字暗示它是生成宝可梦风格图像的 GAN。适合对小型图像生成演示感兴趣的人。

Lama Example

CVPR · 工具包

来自 CVPR 组织的 Gradio 应用，有较大的代码库和示例图片，指向填充图片中被遮罩的部分。README 没有描述。

Anime Image Labeller

curt-tigges · 工具包

一个 Gradio 应用，用仓库里训练好的模型文件给动漫图片打标签，附带标签列表和笔记本。适合想在浏览器里试用图片打标签的人。

Clasificador_de_mascotas

cabustillo13 · 工具包

一个 Gradio 应用，名字在西班牙语里是宠物分类器的意思，用已保存的模型处理宠物照片，带三张示例照片。适合想试用小型图像模型的人。

Projected GAN

autonomousvision · 工具包

一个 Gradio 应用，封装了 autonomousvision 团队的 GAN 图像生成器，可在浏览器里试用。README 没有描述，具体输入和输出要看页面。

OCTaGAN

AUBMC-AIM · 工具包

一个 Gradio 应用，对应一个名字指向 OCT 医学图像的 GAN，来自 AUBMC-AIM 团队。README 没有描述，具体输入和输出要看页面。

Practica1

AP2122 · 工具包

一个用已保存的模型处理图片的 Gradio 应用，带建筑和森林两张示例图片。适合想在浏览器里试用小型图像模型的人。

Uniformer_image_demo

Andy1621 · 工具包

一个 Gradio 演示，用 Andy1621/uniformer 模型给图片分类，带四张示例图片。适合想在浏览器里试用图像分类的人。

Image Caption With Vit Gpt2

Amrrs · 工具包

一个为图片写简短说明的 Gradio 应用，把视觉 Transformer 和 GPT-2 类文本模型配在一起。适合想在浏览器里试用图片说明的人。

Image Text Detection

ajitrajasekharan · 工具包

一个 Streamlit 应用，用 microsoft 的 TrOCR 手写模型读取图片里的手写文字。适合想在浏览器里试用手写识别的人。

Pytorch Image Classifier

abidlabs · 工具包

一个基于 Gradio 3.0.17 的图像分类演示，带两张示例照片：猎豹和狮子。适合想在浏览器里试用图像分类的人。

Pytorch Image Classifier

abidlabs · 工具包

一个 Gradio 图像分类演示，带四张示例照片：香蕉、汽车、猎豹和狮子。适合想在浏览器里试用图像分类的人。

Iris-3B

speridlabs · 工具包

Iris-3B 的演示。这个 3B 模型能根据文字生成图片、从单张图片估计深度，并修复或放大图片。适合想试用通用图像模型的视觉研究者和开发者。

OPF Image Anonymizer

ysharma · 工具包

用 OCR 和 OpenAI 的 Privacy Filter 在截图和其他图片里的个人信息上盖上可编辑的黑条，适合经常分享聊天、邮件或文档截图的人。

AI Generated Image Detector

ymcmy · 工具包

判断一张图片是真实的还是 AI 生成的，用的是在约 5 万张真实图片和 5 万张生成图片的纹理块上训练的分类器。适合想对一张图片得到快速第二意见的人。

PuLID-FLUX

yanze · 工具包

一个与 FLUX.1 图像模型配合的 Gradio 应用，运行在 ZeroGPU 硬件上，记录里还列出了几个配套模型。适合探索 FLUX 图像生成的人，不过 README 没有给出使用说明。

DINOv3 Web

webml-community · 工具包

在浏览器本地可视化 DINOv3 模型从图像中提取的密集特征。适合想查看这些特征的开发者和视觉研究人员。

Seedream 5.0 Pro Edit

wavespeed · 工具包

一个小型网页应用，通过 WaveSpeed API 用 Seedream 5.0 Pro 模型编辑已有图片。你自带 WaveSpeed 密钥，费用记在你自己的账户上。

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。

UNet For Crack Detection In Concrete

Vizuara · 工具包

用 U-Net 模型分割混凝土照片里的裂缝：你上传一张开裂表面的图片，演示会标出裂缝。适合工程师、检查人员和学生。

Laya Vision

thaitea · 工具包

一次前向传播就回答关于图像的是非题、选择题和按评分标准打分的问题，不生成文字。它在 CPU 上运行一个 201M 的小型检查点，适合视觉研究人员和开发者。

PhotoMaker V2

TencentARC · 工具包

TencentARC 为 PhotoMaker V2 模型做的 Gradio 演示，基于 RealVisXL V4.0 图像模型和一个草图适配器。适合想在浏览器里试用 AI 照片生成的设计师和研究人员。

InstantMesh

TencentARC · 工具包

把单张图像变成 3D 模型，页面称这大约需要十秒。它来自 TencentARC，适合 3D 美术师、游戏开发者和研究人员。

Signature Detection

tech4humans · 工具包

用小型 YOLOv8 检测器在图像里找出手写签名，在 CPU 上就能运行。适合需要检查页面有没有签名的文档团队和开发者。

Hi3DGen

Stable-X · 工具包

用 Stable-X 的 trellis-normal 模型，从一张图片生成细节丰富的 3D 几何体。这是一个面向 3D 美术师、游戏开发者和研究者的 Gradio 应用，在 Hugging Face 上通过浏览器运行。

Image Upscaler

sorabing · 工具包

在 ZeroGPU 上的 Gradio 页面里，用 Real-ESRGAN 模型把图片放大并锐化 2 倍或 4 倍。适合需要把小图变成更大更清晰版本的人。

JLD 感知距离

shreshthsaini · 工具包

给出失真图像与参考图像的差异分数，并用透镜叠加图显示差异所在。适合想在浏览器里试用 JLD 指标的图像质量研究者。

omni-editor-img and vdo-api-iframe-ZeroGPUID

Saravutw · 工具包

在浏览器或你自己的电脑上运行一个 Gradio 应用，它的名称把它和图像编辑以及 iframe 里的视频 API 联系在一起。README 没有说明用途，所以它具体做什么并不明确。

IOPaint-LaMA

Sanster · 工具包

一个把 IOPaint 与 LaMA 模型配在一起的浏览器演示，从名称看指向图片修复，也就是去掉或补全图片的一部分。适合试图片清理的设计师和开发者。

MoGe 2

Ruicheng · 工具包

根据一张图片估计场景在真实尺度下的几何，是一个能在浏览器里打开的 Gradio 演示。适合研究照片深度和形状的研究人员与开发者。

Sora Revival

Robuxy0016 · 工具包

一个非官方演示，用 Open-Sora v1.2 由文字提示词或参考图片生成短视频。与 OpenAI 无关。可在 Hugging Face 上用，也可在自己电脑上运行。

Qwen Image Layered

Qwen · 工具包

Qwen 团队制作的 Qwen-Image-Layered 模型的浏览器演示。模型名称暗示它以图层的方式处理图片。适合想不安装任何东西就试用的设计师和开发者。

Idol Imagine Fast

prithivMLmods · 工具包

在基于 idol、Z-Image-Turbo 和 BiRefNet 模型的 Gradio 应用里，用文字提示词生成图片。可在浏览器里用，也可在装有 Python 3.12 的自己电脑上运行。

GLM OCR 演示

prithivMLmods · 工具包

在浏览器里用 GLM-OCR 模型读取文档图片中的文字和结构。适合想试用复杂文档 OCR 又不想配置环境的人。

Flux 3 Image Klein LoRAs Fast

prithivMLmods · 工具包

在 Gradio 页面里试用 FLUX.3 Image Klein 模型的一组 LoRA，运行在 Hugging Face 的 ZeroGPU 硬件上。适合探索图像适配器的创作者和开发者。

Playground V2.5

playgroundai · 工具包

playgroundai 做的文字生成图片演示，运行它的 Playground v2.5 模型，从模型名看是 1024 像素、偏重美感的图片。适合想在浏览器里试用的人。

PixAI Tagger v1.0

pixai-labs · 工具包

在浏览器里给动漫图片加上描述性标签，分成六个类别，阈值可调。适合画师、数据集整理者和整理动漫图片的人。

Image To Relief

oedevs · 工具包

通过估算深度，把你上传的图片变成 3D 浮雕 STL 文件，导出前可以用曲线编辑器调整深度图。适合想从照片得到高度模型的创作者。

RealESRGAN Pytorch

Nick088 · 工具包

通过一个好用的 Gradio 应用，用 Real-ESRGAN 放大图像和视频。适合想把低分辨率素材变得更大更清晰的摄影师、视频剪辑师和创作者。

HiDream Unlimited

namelessai · 工具包

通过 Gradio 网页用 HiDream 生成图像。README 说你想生成多少都可以，但没有列出任何设置。

Hurricane Wind Speed Regressor

nakulmital · 工具包

在 Gradio 应用里用微调过的 ResNet50 模型预测飓风风速。适合想看图像回归模型怎样工作的学生、研究者和开发者。

MIDJOURNEY

mukaist · 工具包

在 Gradio 应用里用 RealVisXL Turbo 模型生成高分辨率、看起来写实的图像，尽管名字叫 Midjourney。适合想免设置出图的设计师、营销人员和爱好者。

JerseyNet - Jersey Number Detection

MHkhan50 · 工具包

在图片里找出球衣号码并在每个号码外画框，全程在你的浏览器里完成，图片不会离开你的设备。

Z Image Turbo by Maynor996

Maynor996 · 工具包

用 Z-Image-Turbo 模型根据文字提示词生成图片，在一个运行于 ZeroGPU 的 Gradio 页面里。由 Maynor996 部署，界面与原版演示相同。

Mage Image Studio

ManBhp1 · 工具包

用 SDXL Turbo 模型把一段文字提示词变成带 3D 质感的写实图片，适合想从一个想法快速得到图片的人。

Image Face Upscale Restoration

malekradwan130 · 工具包

放大图片并修复其中的人脸，适合想要更清晰的人像图片的人，标题里列出了 GFPGAN、RestoreFormerPlusPlus 和 CodeFormer。

LightOnOCR-3 Demo

lightonai · 工具包

读取页面图片，把文字以 Markdown 形式返回，并带有版面定位。这是 LightOnOCR-3 模型的演示，在浏览器里于 ZeroGPU 上运行。

MEDFE Inpainting Studio

KumaPower · 工具包

用 MEDFE 图像修复模型补全图像中被遮盖的空洞，并展示它的结构和纹理预测。可以把结果和带遮罩的输入对比，并下载为 PNG。

CSA Inpainting Studio

KumaPower · 工具包

补全图像中被遮盖的空洞，并把 Coherent Semantic Attention 方法的两个阶段并排展示，一个是粗略结果，一个是精修结果。适合研究图像修复的人。