Nexus-Gen是一个将大语言模型的语言推理能力与扩散模型的图像生成能力相融合的统一模型

多模态Transformers

VLAA-Thinker是一个创新的视觉语言模型，能够同时处理图像和文本输入，并生成高质量的文本输出。该模型基于论文《SFT or RL? An Early Investigation into Training R1-Like Reasoning Large Vision-Language Models》的研究成果开发，专注于类似R1的推理能力。

多模态Transformers

GemmaX2-28-9B-v0.1-Q2_K-GGUF 是一个基于 ModelSpace/GemmaX2-28-9B-v0.1 转换而来的 GGUF 格式模型，支持多种语言的翻译任务。

自然语言处理Gguf支持多种语言

鱼语语音 V1.5 是一款领先的文本转语音（TTS）模型，基于超过100万小时的多语言音频数据训练而成。

基于T5-base的提示词增强模型，可将简短提示扩展为详细描述

自然语言处理Transformers英语

这是一个基于OpenCLIP框架、在LAION-2B英语子集上训练的视觉语言模型，擅长零样本图像分类和跨模态检索任务。

多模态Safetensors

ControlNet++是一款强大的图像生成与编辑模型，支持多种控制条件，能生成高分辨率图像，视觉效果可与Midjourney相媲美。

计算机视觉Diffusers

基于Apache-2.0许可证的开源模型，具体功能和用途需参考完整文档

自然语言处理Transformers

M2-BERT-8K是一个8000万参数的长上下文检索模型，基于论文《Benchmarking and Building Long-Context Retrieval Models with LoCo and M2-BERT》提出的架构。

自然语言处理Transformers英语

基于Llama3-8b-instruct基础模型训练，适配中文通用场景，支持ReACT格式的智能体调用

自然语言处理Transformers

基于microsoft/table-transformer-structure-recognition-v1.1-all微调的表格结构识别模型

计算机视觉Transformers

M2-BERT-128是论文《Benchmarking and Building Long-Context Retrieval Models with LoCo and M2-BERT》中提出的8000万参数检索模型检查点

自然语言处理Transformers英语

基于SDXL-Turbo的文本到图像生成模型，结合了LCM（Latent Consistency Models）和LoRA（Low-Rank Adaptation）技术，实现快速高质量的图像生成。

计算机视觉Diffusers支持多种语言

一款基于Modelscope的无水印视频生成模型，优化16:9画面比例和流畅视频输出

多模态Diffusers

基于diffusers的文本转视频模型，通过ModelScope微调实现动漫风格呈现，训练分辨率为512x512像素。

多模态Diffusers

这是一个基于diffusers的文本转视频模型，通过modelscope微调后具有动漫风格外观，支持448x384分辨率。

多模态Diffusers英语

多阶段文本生成视频扩散模型，输入英文描述文本即可生成符合文字叙述的视频内容

多模态Openclip

一个基于稳定扩散技术的文本到图像生成模型，能够根据文本描述生成高质量的图像。

计算机视觉Diffusers英语