AI 智能体技能、规则与提示词工具包

TripoSplat

VAST-AI · 工具包

把单张 2D 图片变成数量可变的 3D 高斯，用于资产创作、AR 和 VR、游戏和仿真。VAST-AI 出品，适合 3D 创作者和开发者。

gemma-4-E2B-it-GGUF

unsloth · 工具包

Unsloth 制作的 Google DeepMind Gemma 4 E2B 指令微调模型的 GGUF 文件，接收文本和图像并输出文本，上下文为 128K。适合在笔记本和小型机器上本地运行模型的人。

gemma-3-4b-it-GGUF

unsloth · 工具包

在你自己的电脑上回答关于文字和图片的问题，是 Unsloth 打包的 Google Gemma 3 4B 指令模型的 GGUF 副本。适合想用小型本地模型的开发者和用户。

Inkling-Small-NVFP4

thinkingmachines · 工具包

Inkling-Small 的 NVFP4 版本，一个多模态混合专家模型，接收文本、图像和音频并输出文本。适合构建智能体、编程助手和其他 AI 应用的开发者。

MOSS-Image-SFT Segmentation Control LoRA

thedeoxen · 工具包

借助 MOSS-Image-SFT 把平涂色块的区域图重绘成新图片，保留区域形状，由提示词决定每个区域变成什么。适合使用 ComfyUI 的图像创作者。

MOSS-Image Normal Control LoRA

thedeoxen · 工具包

为 MOSS-Image-SFT 在 ComfyUI 里提供法线控制的 LoRA，根据彩色法线图保持物体的形状和体积，由提示词改变材质和场景，适合给形体重新贴材质和重新打光的人。

sd-vae-ft-mse-original

stabilityai · 工具包

这个模型用一个经过微调的解码器替换 Stable Diffusion 里的自动编码器，让重建的图像更平滑，尤其是人脸。适合运行原版 CompVis Stable Diffusion 代码、想让解码图像更好的人。

SenseNova-U1.5-8B-MoT

sensenova · 工具包

统一的多模态模型，用于生成和编辑图像，中英文文字清晰，支持原生 4K 输出，可通过框选和参考图控制。适合有大显存 GPU 的设计师和研究者。

Enhance Fibo2 (upscale)

rauldlnx10 · 工具包

这个模型在 Fibo-2.0-dev 之上，用一句触发短语生成增强效果的图像，配合 diffusers 库使用。适合已经在用 Fibo-2.0-dev、想要图像增强附加项的人。

Qwen-Image

Qwen · 工具包

把文字提示词变成图像，并能在图中渲染清晰的英文和中文文字。适合使用 diffusers 库的设计师、艺术家和开发者。

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。

MiniCPM-V 4.6

openbmb · 工具包

能读懂单张图片、多张图片和视频并用文字回答，参数量 1.3B，适合在手机和其他边缘设备上运行。适合想要小型视觉语言模型的开发者。

Kromoss GGUF

molbal · 工具包

Kromoss 的 GGUF 量化副本，Kromoss 是基于 MOSS-Image-Base 微调的 1024 像素文生图模型，用于 ComfyUI。适合想在显存有限的 GPU 上生成图像的画师。

Florence-2-base

microsoft · 工具包

Microsoft 推出的小型视觉模型，通过更换文字提示词来做图像描述、目标检测和分割。适合需要用一个模型完成多种图像任务的开发者和研究者。

LongCat-Video

meituan-longcat · 工具包

用一个 13.6B 的模型，根据文字提示、一张静态图片，或接着已有片段往下写来生成视频。目标是 720p、每秒 30 帧的长片段，适合有 GPU 的开发者和研究人员。

QI_2.1_AnyAngle

lilylilith · 工具包

Qwen Image 2.1 的 LoRA，可以把一张现有图片转到你选定的新镜头角度，同时保持它的风格。它用高斯泼溅或 3D 模型生成的粗略渲染图来引导。

π₀.₅ (Pi05) (LeRobot)

lerobot · 工具包

一个机器人控制模型，读取摄像头图像、机器人状态和可选的指令，输出连续动作。它是基础检查点，适合用自己的机器人数据做微调的研究者。

Index-Translate-2B

IndexTeam · 工具包

在 150 种语言之间翻译文本，并遵循关于术语表、格式、语气和长度的指令。这是 IndexTeam 的紧凑 2.3B 模型，适合在本地翻译的团队，还能通过配套文件翻译图片。

MANTA-27B

gevaertlab · 工具包

根据文字或图像，一次性为医学问题的各个答案选项打分，不生成文字。这是斯坦福 Gevaert 实验室的研究模型，不是医疗器械。

Qwen3.8-27B-Ridge-GGUF

empero-ai · 工具包

把 Qwen3.8-27B 压缩成每权重 3.7 位的 GGUF 文件来运行，适合 16 GB 的 GPU，还可选图像输入。适合用 llama.cpp、Ollama 或 LM Studio 在本地跑模型的人。

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。

Qwen-Image-Edit

Comfy-Org · 工具包

为 ComfyUI 重新打包的 Qwen-Image-Edit 模型文件和 LoRA，附带根据文字指令编辑图片的工作流。适合修图和改风格的 ComfyUI 用户。

FLUX.2 Klein 4B for ComfyUI

Comfy-Org · 工具包

为 ComfyUI 重新打包的 FLUX.2 Klein 4B 模型文件，把文字提示词变成图像。包含扩散模型、文本编码器和 VAE，并附带现成的文生图工作流。

Depth Anything 3

Comfy-Org · 工具包

Comfy-Org 为 ComfyUI 重新打包的深度估计模型文件，共四种大小。它们把图片或视频变成深度图。适合在图像和视频工作流里需要深度信息的 ComfyUI 用户。

rakedoc-nano-2

cloudraker · 工具包

把文档页面图片解析成文字、表格和图表，并保留 markdown 格式。这是 1.2B 参数的模型，图表提取更好，适合构建文档流水线的开发者。

Qwen3.6-35B-A3B GGUF (ShapeLearn Quantized)

byteshape · 工具包

Qwen3.6-35B-A3B 的量化 GGUF 版本，能读图片和文字，有从约 9 GB 起的 CPU 和 GPU 变体，用 ByteShape 的 ShapeLearn 制作。适合运行 llama.cpp 的开发者。

FLUX.2 [klein] 4B Base

black-forest-labs · 工具包

用开放的 4B 基础模型，根据文字提示和参考图生成并编辑图像，适合在一张消费级显卡上做微调、LoRA 训练和自定义流程。

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。

Wan2.2-I2V-A14B

Wan-AI · 工具包

把一张静态图像变成 480P 或 720P 的视频，采用 Wan-AI 的专家混合设计。适合用图片生成视频的创作者和研究人员。

Qwen3.5-2B-GGUF

unsloth · 工具包

unsloth 制作的 Qwen3.5-2B 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-SFT-GGUF

unsloth · 工具包

用压缩的 GGUF 文件在 CPU、Mac 或 GPU 上运行 MOSS-Image 文生图模型，可通过 Unsloth Studio 或 stable-diffusion.cpp 使用。适合在自己电脑上生成图片的人。

Iris-3B

speridlabs · 工具包

通过直接绘制每个像素，根据文字提示生成 1024 像素的图像，不使用 VAE 或潜空间。微调后的版本可以估计深度，并修复或放大图像。适合视觉研究人员和图像创作者。

SenseNova-U1.5-8B-MoT-TailSteer

sensenova · 工具包

图像生成和编辑模型，连续多次编辑时更稳定，基于 SenseNova-U1.5-8B-MoT，加载步骤相同。适合反复编辑同一张图的设计师和研究者。

Jev-Omni

akhilaaa3 · 工具包

针对文字、图像、音频或视频提出的问题，对你列出的每个选项给出概率，而不是写一段解释。这是基于 Gemma 4 的 12B 分类器，适合需要带分数决策的开发者。

MiMo-V2.6-Flash-RL

XiaomiMiMo · 工具包

在同一个模型里处理文本、图像、视频和音频输入，上下文长达 1M token，适合长代码库和智能体运行。这是 XiaomiMiMo 推出的 311B 开放混合专家模型。

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。

Projected_gan

Stanford-CS236g · 工具包

一个基于 Projected GAN 模型的 Gradio 演示，模型用宝可梦图片训练，由 Stanford-CS236g 账号作为示例发布。适合想在浏览器里看生成式图像模型运行的学生。

Uniformer_image_demo

Sense-X · 工具包

一个 Gradio 演示，用 Sense-X 的 UniFormer 图像模型处理图片并给出类别，附带几张示例照片。适合想在浏览器里体验图像分类的学生和开发者。

BLIP

Salesforce · 工具包

在 Gradio 页面里运行 Salesforce 的 BLIP 视觉与语言模型，仓库里有图像描述、检索和问答的训练脚本。适合处理图像和文字的研究者和开发者。

Image_generator

Sakil · 工具包

打开一个小型 Gradio 应用，标题指向图像生成。说明里没有列出模型，所以适合想试用并读简短代码的学习者和开发者。

PaddleOCR

PaddlePaddle · 工具包

在 Gradio 页面里用 PaddleOCR 读出图片里多种语言的文字，带有中文、英文和日文示例图片。适合需要从照片或扫描件里取出文字的人。

Persian Image Captioning

MahsaShahidi · 工具包

在 Gradio 页面里用一个视觉模型和一个波斯语语言模型给图片写波斯语说明，里面带有三张示例图片。适合处理波斯语文本的学生和开发者。

Image_Retrieval

leopoldmaillard · 工具包

在一个小型度假照片集里找出与查询图片相似的图片，带有名为 naive、bovw 和 cnn 的三种已保存方法。适合学习图像检索的学生和开发者。

Vc

kuark · 工具包

运行一个捆绑了 CLIP 和 taming-transformers 项目的 Gradio 应用，指向图像方面的工作。说明里没有写它生成什么，所以适合想读代码的开发者。

Vision Transformer (Small)

keras-io · 工具包

你可以在 Gradio 页面里试用 keras-io 的小型 Vision Transformer 图像模型，里面带有示例图片。适合想看它实际运行的学生和开发者。

Swin Transformers

keras-io · 工具包

你可以在 Gradio 页面里试用 keras-io 的 Swin Transformer 图像模型，里面带有示例图片。适合想看视觉 Transformer 实际运行的学生和开发者。

Super Resolution

keras-io · 工具包

在 Gradio 页面里用 Keras 超分辨率模型提高图片的分辨率，附带两张示例图片，适合摄影爱好者、学习者和开发者。

Semi-Supervised Contrastive Learning with SimCLR

keras-io · 工具包

在 Gradio 页面里运行 Keras 团队用 SimCLR 对比学习、只用少量标签训练的图像分类器，附带示例图片，适合机器学习学习者和研究人员。

RandAugment for Image Classification

keras-io · 工具包

在 Gradio 页面里用 Keras 模型演示 RandAugment 这种随机数据增强方法，用于图像分类，附带四张示例图片，适合机器学习学习者。