Nexus-Gen是一個將大語言模型的語言推理能力與擴散模型的圖像生成能力相融合的統一模型

多模態Transformers

VLAA-Thinker是一個創新的視覺語言模型，能夠同時處理圖像和文本輸入，並生成高質量的文本輸出。該模型基於論文《SFT or RL? An Early Investigation into Training R1-Like Reasoning Large Vision-Language Models》的研究成果開發，專注於類似R1的推理能力。

多模態Transformers

GemmaX2-28-9B-v0.1-Q2_K-GGUF 是一個基於 ModelSpace/GemmaX2-28-9B-v0.1 轉換而來的 GGUF 格式模型，支持多種語言的翻譯任務。

自然語言處理Gguf多語言

魚語語音 V1.5 是一款領先的文本轉語音（TTS）模型，基於超過100萬小時的多語言音頻數據訓練而成。

基於T5-base的提示詞增強模型，可將簡短提示擴展為詳細描述

自然語言處理Transformers英語

這是一個基於OpenCLIP框架、在LAION-2B英語子集上訓練的視覺語言模型，擅長零樣本圖像分類和跨模態檢索任務。

多模態Safetensors

ControlNet++是一款強大的圖像生成與編輯模型，支持多種控制條件，能生成高分辨率圖像，視覺效果可與Midjourney相媲美。

計算機視覺Diffusers

基於Apache-2.0許可證的開源模型，具體功能和用途需參考完整文檔

自然語言處理Transformers

M2-BERT-8K是一個8000萬參數的長上下文檢索模型，基於論文《Benchmarking and Building Long-Context Retrieval Models with LoCo and M2-BERT》提出的架構。

自然語言處理Transformers英語

基於Llama3-8b-instruct基礎模型訓練，適配中文通用場景，支持ReACT格式的智能體調用

自然語言處理Transformers

基於microsoft/table-transformer-structure-recognition-v1.1-all微調的表格結構識別模型

計算機視覺Transformers

M2-BERT-128是論文《Benchmarking and Building Long-Context Retrieval Models with LoCo and M2-BERT》中提出的8000萬參數檢索模型檢查點

自然語言處理Transformers英語

基於SDXL-Turbo的文本到圖像生成模型，結合了LCM（Latent Consistency Models）和LoRA（Low-Rank Adaptation）技術，實現快速高質量的圖像生成。

計算機視覺Diffusers多語言

一款基於Modelscope的無水印視頻生成模型，優化16:9畫面比例和流暢視頻輸出

多模態Diffusers

基於diffusers的文本轉視頻模型，通過ModelScope微調實現動漫風格呈現，訓練分辨率為512x512像素。

多模態Diffusers

這是一個基於diffusers的文本轉視頻模型，通過modelscope微調後具有動漫風格外觀，支持448x384分辨率。

多模態Diffusers英語

多階段文本生成視頻擴散模型，輸入英文描述文本即可生成符合文字敘述的視頻內容

多模態Openclip

一個基於穩定擴散技術的文本到圖像生成模型，能夠根據文本描述生成高質量的圖像。

計算機視覺Diffusers英語