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。