美团LongCat团队开源了LongCat-Image图像生成模型，该模型拥有6B参数，在文生图和图像编辑领域表现优异，旨在平衡性能与使用门槛，填补开源与闭源模型之间的技术空白。
阿里巴巴通义实验室开源Z-Image-Turbo-Fun-Controlnet-Union模型，扩展Z-Image系列图像生成生态。该模型强化了精确控制与创意生成能力，已在Hugging Face上线，采用Apache2.0许可，支持商用。
阿里巴巴开源Z-Image图像模型，支持中英双语文字渲染，仅6B参数实现高效图像生成与编辑，视觉质量优秀。该模型由通义实验室开发，聚焦AI技术趋势，助力开发者洞悉创新应用。
阿里巴巴开源Z-Image图像生成模型，仅6B参数实现高效生成与编辑，视觉质量接近20B级别商业模型。该模型采用单流DiT架构，生成速度快、资源占用低，有望推动AI图像工具普及消费级应用。
FLUX 2 Dev是用于图像生成与编辑的开源权重模型，支持多参考编辑等
Qwen Image AI是阿里巴巴Qwen团队推出的开源图像生成和编辑基础模型，用于准确的图像文本渲染和高级编辑。
一款具有 17 亿参数的开源图像生成基础模型。
一个基于文本生成图像的预训练模型，具有80亿参数和Apache 2.0开源许可。
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
$1
$10
256
$6
$24
$2
$20
Baidu
128
ExaltedSlayer
Gemma 3是谷歌推出的轻量级开源多模态模型，本版本为12B参数的指令调优量化感知训练模型，已转换为MLX框架的MXFP4格式，支持文本和图像输入并生成文本输出，具有128K上下文窗口和140+语言支持。
00quebec
这是一个专门为 Qwen-Image 设计的开源 LoRA 模型，专注于模拟现代 iPhone 摄影的真实感外观和感觉。模型基于5000多张真实 iPhone 风格照片训练，能够生成清晰、自然、适合社交媒体分享的图像。
HIT-TMG
Uni-MoE 2.0-Omni 是荔枝科技（Lychee）推出的完全开源全模态模型，采用全模态 3D RoPE 和动态容量专家混合架构，显著提升了以语言为中心的多模态理解、推理和生成能力。该版本集成了全模态理解以及音频和图像生成能力。
Gemma 3 27B IT QAT的MLX MXFP4量化版本，是由Google开发的轻量级开源多模态模型。该模型能够同时处理文本和图像输入并生成文本输出，拥有128K大上下文窗口，支持超过140种语言，适用于多种文本生成和图像理解任务。
Edweibin
Pola Photo (Flux Dev) 是一个基于 Flux.1-dev 的图像生成模型，专门生成具有宝丽来即拍照片风格的逼真图像。该模型在 Replicate 平台上使用开源材料训练，遵循 CC 非商业署名许可协议。
unsloth
Gemma 3是Google推出的轻量级、最先进的开源模型家族，基于与Gemini模型相同的研究和技术构建。该模型具有多模态处理能力，支持文本和图像输入，并生成文本输出，适用于各种文本生成和图像理解任务。
Gemma 3是谷歌推出的轻量级开源多模态模型家族，能够处理文本和图像输入并生成文本输出。具有128K大上下文窗口，支持140多种语言，适用于文本生成和图像理解等多种任务。
Gemma 3是谷歌推出的轻量级、最先进的开源多模态模型家族，基于与Gemini模型相同的研究和技术构建。270M版本是其中最小的模型，能够处理文本和图像输入并生成文本输出，适用于多种文本生成和图像理解任务。
lodestones
Chroma1-HD是基于FLUX.1-schnell架构的文本到图像生成基础模型，拥有89亿参数，采用Apache 2.0开源许可。该模型专为微调设计，为开发者和研究人员提供了强大的图像生成基础，支持创建各种专业化的视觉内容。
onnx-community
Gemma 3是谷歌推出的轻量级、最先进的开源多模态模型家族，支持140多种语言，具备文本生成和图像理解能力。270M参数版本专为资源受限环境设计，可在笔记本电脑、台式机等设备上部署。
deepseek-community
DeepSeek-VL 是一个开源的视觉语言模型，能够同时处理文本和图像，生成上下文相关的响应。该模型采用混合编码架构，结合LLaMA文本编码器和SigLip/SAM视觉编码器，支持高分辨率图像处理，在真实世界应用中表现出色。
DeepSeek-VL是由DeepSeek AI团队开发的开源视觉语言模型，能够同时处理文本和图像信息，生成上下文相关的回复。该模型采用混合视觉编码器，支持高分辨率图像处理，在真实世界的视觉语言理解应用中表现出色。
Mungert
SmolVLM是一个紧凑的开源多模态模型，能够接受图像和文本输入并生成文本输出，专为高效设计，适用于设备端应用。
declare-lab
Nora是一个开源的视觉-语言-动作模型，基于Qwen 2.5 VL - 3B训练，能够根据语言指令和相机图像生成机器人动作。
Gemma 3是Google推出的轻量级、最先进的多模态开源模型，能够处理文本和图像输入并生成文本输出。
Runware
HiDream-I1是一款拥有170亿参数的开源图像生成基础模型，可在数秒内实现最先进的图像生成质量。
HiDream-I1是一款拥有170亿参数的开源图像生成基础模型，能够在数秒内生成达到业界顶尖水准的图像。
ostris
开源80亿参数文本生成图像扩散模型，内置通用控制和图像修复功能
Gemma 3是谷歌推出的轻量级开源多模态模型系列，基于与Gemini模型相同的研究构建。本版本为4B参数的指令微调模型，采用量化感知训练(QAT)，支持文本和图像输入并生成文本输出，适用于多种文本生成和图像理解任务。
Gemma 3是谷歌推出的轻量级、最先进的多模态开源模型，能处理文本和图像输入并生成文本输出，适用于多种文本生成和图像理解任务。
Model Context Protocol (MCP) 是一个开源协议，提供了一系列参考实现和社区开发的服务器，旨在为大型语言模型（LLM）提供安全、可控的工具和数据源访问。这些服务器展示了MCP的多样性和可扩展性，涵盖了从文件系统操作到数据库集成、从网络搜索到AI图像生成等多种功能。
这是一个包含多个开源AI项目的列表，涵盖了从自动化代理、大语言模型、图像生成到AI开发框架等多个领域。这些项目旨在帮助开发者利用AI技术赚钱，包括构建智能助手、自动化工作流、内容生成等应用。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
