AI 智能体技能、规则与提示词工具包

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。

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。

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。

Click3R

uva-cv-lab · 工具包

从一对照片重建 3D 场景，你可以用几次点击标出两张图里的同一个点来修正结果。这是面向计算机视觉研究者和学生的研究演示。

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。

HockeyRink

SimulaMet-HOST · 工具包

在图片中找出冰球场的 56 个地标点，并标注编号和置信度。适合体育分析师、转播图形团队和计算机视觉研究者。

Open VLM Video Leaderboard

opencompass · 工具包

一个视觉语言模型在视频理解基准上得分的排行榜，有总排名，也有每个基准的详细榜单。适合挑选模型的研究人员和工程师。

ToolVision Detector

moindedroper · 工具包

在你上传的照片里找出扳手、螺丝刀、锤子和钳子，使用在浏览器里运行的 YOLO26n 模型。适合想私下检查照片的创客和工坊。

Grounding DINO Demo

merve · 工具包

根据文字描述在图片里找物体，不需要固定的标签清单。这是 Grounding DINO 开放集检测器的 Gradio 演示，适合开发者和视觉研究人员。

Granite Vision Document Intelligence

ibm-granite · 工具包

在 Gradio 演示里用 IBM Granite Vision 和 Docling，从 PDF 和图片中提取摘要、CSV 数据、代码、表格和图片描述。

Joy Caption Pre Alpha

fancyfeast · 工具包

一个早期演示，把 SigLIP 视觉模型和 Llama 3.1 8B 搭在一起，看起来是用来给图片写说明文字的。这是 Hugging Face 上的 Gradio 应用，名字里就标明了 pre-alpha。

MEMFOF Optical Flow

egorchistov · 工具包

为全高清视频估计光流，也就是帧与帧之间每个像素的运动，同时占用很少的 GPU 显存，带 Gradio 演示和多个训练好的模型。适合计算机视觉研究者和视频工程师。

Attention Visualization

webml-community · 工具包

展示 Vision Transformer 如何把注意力放在图像的各个部分，是一个在浏览器里运行的静态网页。它是 transformers.js 示例项目之一。

Qwen3 VL Demo

Qwen · 工具包

Qwen 团队为其 Qwen3 VL 视觉语言系列做的 Gradio 演示。可在浏览器里用，也可在装有 Python 的自己电脑上运行。

SAM3 + Qwen3.5

prithivMLmods · 工具包

一个多目标跟踪的浏览器演示，结合了 SAM 3 模型和一个 2B 的 Qwen3.5 模型。适合想不安装任何东西就试用跟踪的计算机视觉开发者和研究者。

Salamtak سلامتك

plitip · 工具包

检查一张工地照片里的安全隐患，给出安全、需要注意或不安全的结论，并用七种工人语言给出简短提醒。基于视觉模型和普通规则，没有大语言模型。适合工地安全团队。

WeVisOne-VL-2B

hugging-apps · 工具包

在图片上试用腾讯的 WeVisOne-VL-2B 视觉语言模型，从找物体、数数、读文字到抠出主体。适合做图像理解的开发者和研究者。

Open VLM Leaderboard

opencompass · 工具包

展示用 VLMEvalKit 工具包收集的视觉语言模型得分排行榜，有总榜，也有每个基准的单独表格。适合比较多模态模型的研究者和工程师。

一个 n8n 工作流：把 Google Drive 里的银行对账单 PDF 按页转成 Markdown，由 Gemini 把每页当图片来读。然后列出每笔存款的日期、说明和金额。

一个 n8n 工作流，带一个网页表单，接收一张照片，返回最前面那辆车的车牌号。由 OpenRouter 上的一个视觉模型来读车牌。