Z-Image（造相）は60億のパラメータを持つ高効率な画像生成基礎モデルで、画像生成分野の効率と品質の問題を専門的に解決します。その蒸留バージョンであるZ-Image-Turboは、たった8回の関数評価でリーディングな競合モデルに匹敵するか、それを上回る性能を発揮し、企業用のH800 GPUでは亚秒級の推論遅延を実現し、16G VRAMの消費者向けデバイスでも動作します。

コンピュータビジョンDiffusers多言語

black-forest-labs/FLUX.2-devをベースに最適化された画像生成モデルで、画像から画像への生成と編集タスクをサポートし、fp8_scaled量子化技術を採用して推論速度を向上させ、低VRAMのGPUでの使用に特に適しています。

GLM-4.5-Iceblink-v2-106B-A12B-FP8は、GLM-4.5-Iceblink-v2-106B-A12Bモデルをベースに、最先端の混合エキスパート量子化方法を用いてFP8量子化したバージョンです。このモデルは、ハードウェアFP8をサポートするAda、Hopper、またはBlackwellシリーズのGPUに特化して最適化されており、高品質な出力を維持しながら推論効率を大幅に向上させます。

自然言語処理Safetensors

混元ビデオ - 1.5は軽量級で高性能なビデオ生成モデルで、わずか83億のパラメータでトップレベルのビデオ品質を提供し、使用の敷居を大幅に下げます。消費者向けGPUでスムーズに動作し、テキストからビデオ、画像からビデオの生成をサポートし、すべての開発者やクリエイターが簡単に使用できます。

マルチモーダルDiffusers多言語

VieNeu-TTS-1000hは、約1000時間の高品質ベトナム語音声データを基にトレーニングされた、先進的なベトナム語エッジ側テキスト音声変換モデルです。即時音声クローニング機能を備え、ベトナム語と英語のシームレスな切り替えをサポートし、CPUまたはGPU上で24kHz波形をリアルタイムで合成できます。

音声処理Tensorboardその他

Wan2.2-TI2V-5B-Turbo-GGUFは、quanhaol/Wan2.2-TI2V-5B-Turboベースモデルから変換された画像を動画に変換するモデルで、最適化されて4GB GPUで動作可能で、優れた汎用性と高効率な推論能力を持っています。

マルチモーダルGguf

FastVideoチームが開発した画像を動画に変換するモデルで、CausalWan2.2 I2V A14Bシリーズに属し、8ステップ推論をサポートし、H100から4090までのさまざまなGPUに対応し、Macユーザーも使用できます。

コンピュータビジョンDiffusers

このプロジェクトは、Fluxアーキテクチャに基づくテキストから画像へのモデルNepotismの量子化バージョンで、SVDQuant技術を用いて最適化されています。INT4とFP4の2種類の量子化形式を提供し、それぞれ異なる世代のGPUハードウェアに適しており、画像生成品質を維持しながら、モデルサイズとメモリ使用量を大幅に削減します。

マルチモーダルDiffusers英語

Qwen3 - VLは通義シリーズで最も強力なビジュアル言語モデルで、ハイブリッドエキスパートモデルアーキテクチャ（MoE）を採用し、GGUF形式の重みを提供し、CPU、GPUなどのデバイスで効率的な推論をサポートします。モデルは、テキスト理解、ビジュアル感知、空間理解、動画処理などの面で全面的にアップグレードされています。

マルチモーダルGguf

Qwen3-VL-2B-ThinkingはQwenシリーズの中で最も強力なビジュアル言語モデルの1つで、GGUF形式の重みを使用し、CPU、NVIDIA GPU、Apple Siliconなどのデバイスで効率的な推論をサポートします。このモデルは、優れたマルチモーダル理解と推論能力を備え、特にビジュアル感知、空間理解、エージェントインタラクション機能が強化されています。

マルチモーダルTransformers

Qwen3-VLは通義シリーズで最も強力な視覚言語モデルで、優れたテキスト理解と生成能力、深い視覚感知と推論能力、長文脈サポート、強力な空間およびビデオ動的理解能力、ならびにエージェントインタラクション能力を備えています。このリポジトリはGGUF形式の重みを提供し、CPU、GPUなどのデバイスでの効率的な推論をサポートします。

マルチモーダルTransformers

Qwen3-VL-2B-Instruct-GGUFは通義千問シリーズのマルチモーダルビジュアル言語モデルのGGUF量子化バージョンで、20億のパラメータを持ち、画像理解とテキスト生成のシームレスな融合をサポートし、CPUやGPUなどのデバイスで効率的に動作します。

マルチモーダルTransformers

これはDanrisiのFluxアーキテクチャに基づくテキストから画像へのモデルUltraReal Fine-TuneのNunchaku量子化（SVDQ）バージョンです。このモデルは2種類の量子化形式を提供します：INT4は非BlackwellアーキテクチャのGPU（50シリーズ以前）に適しており、NVFP4はBlackwellアーキテクチャのGPU（50シリーズ）に適しており、ハードウェア要件を下げながら画像生成品質を維持することを目的としています。

コンピュータビジョンDiffusers英語

これはUltraReal Fine-TuneモデルのSVDQ量子化バージョンで、DanrisiがFluxをベースに開発したテキストから画像を生成するモデルです。このバージョンは複数の量子化方案を提供し、異なるGPUハードウェアに対応しており、特に非BlackwellシリーズとBlackwellシリーズのGPUに対して最適化されています。

マルチモーダルDiffusers英語

これはDeepSeek-OCRのモーダルバランス量子化（MBQ）バリエーションで、ビジュアルエンコーダに4ビットNF4量子化を採用することでメモリ使用量を削減し、同時にプロジェクターと言語/デコーダのBF16精度を維持し、一般的なGPUでのローカルデプロイメントと高速なCPU試験が可能です。

マルチモーダルTransformers

TheWhisper-Large-V3はOpenAI Whisper Large V3モデルの高性能ファインチューニング版で、TheStage AIによって多プラットフォーム（NVIDIA GPUとApple Silicon）のリアルタイム、低遅延、低消費電力の音声テキスト変換推論用に最適化されています。

音声処理Transformersその他

Llama-4-Maverick-17B-128E-Instruct-NVFP4は、FP4量子化処理を施された多言語大規模言語モデルで、Meta-Llama-3.1アーキテクチャに基づいており、商業および研究用途に特化して設計されています。このモデルは、重みと活性化をFP4データ型に量子化することで、ディスク容量とGPUメモリの要件を大幅に削減しながら、良好な性能を維持しています。

自然言語処理Safetensors多言語

これはProject0モデルのSVDQ量子化バージョンで、Flux DevとFlux Kreaに基づいて作成されたテキストから画像へのモデルです。このモデルは複数の量子化形式を提供し、さまざまなGPUアーキテクチャに対して最適化されており、INT4とFP4量子化バージョンを含み、Blackwellおよび非Blackwell GPUユーザーに適しています。

マルチモーダルDiffusers英語

Project0 SVDQは、Flux DevとFlux Kreaのテキストから画像へのモデルの量子化バージョンで、SVDQuant技術を用いて最適化され、INT4とFP4の2種類の量子化形式を提供し、それぞれ異なる世代のGPUハードウェアに適しています。

マルチモーダルDiffusers英語

Svara-TTSはインド語を対象としたオープンソースの多言語テキスト読み上げモデルで、19種類の言語（18種類のインド語 + インド英語）をサポートしています。このモデルはOrpheusスタイルの離散音声トークン方式に基づいて構築され、一般的なGPU/CPU上で明瞭で表现力に富み、低遅延の音声合成を実現することを目的としています。

音声処理Transformers多言語