AI 模型广场｜开源大模型与 LLM 目录

Inkling 是由 thinkingmachines 开发的一款多模态大模型，核心能力在于实现“图像+文本”到“文本”的高质量转换。简单来说，它不仅能读懂图片，还能结合你输入的文字指令，对图像内容进行深度理解、描述或逻辑推理。对于开发者而言，这款模型基于 Apache-2.0 开源协议，这意味着它在商用集成时具有极高的友好度。无论你是想做自动化图像标注、构建智能视觉问答系统，还是开发具备视觉理解能力的 AI 助手，Inkling 都是一个非常扎实的底层基座。相比于一些闭源的视觉模型，它的上手门槛较低，通过 Hugging Face 即可快速部署测试，是构建轻量化多模态应用的高性价比选择。

Qwen2.5-VL-7B-Instruct 是阿里通义千问团队推出的新一代多模态视觉语言模型。相比前代，它在图像理解、文档解析和视频分析能力上有显著提升，尤其擅长处理高分辨率图片中的细节文字和复杂图表。对于开发者而言，它在保持 7B 参数量轻量化之余，提供了极强的指令遵循能力，能精准执行复杂的视觉分析任务。无论是构建自动化报表分析工具，还是开发智能视觉助手，它都提供了极高的性价比，且兼容主流的推理框架，上手门槛低。

Gemma-4-31B-JANG_4M-CRACK 是由 dealignai 基于 Google Gemma 架构深度优化的多模态模型。它打破了纯文本的局限，具备强大的图文理解与推理能力，能够精准识别图像细节并结合上下文进行逻辑对话。对于开发者而言，这款模型在处理复杂视觉任务（如文档解析、场景描述或图像问答）时表现出色，参数规模在性能与部署成本之间取得了较好的平衡。虽然它属于开源生态中的进阶型号，上手门槛适中，但建议开发者在使用前仔细研读其 License，以确保在特定商业场景下的合规性。如果你正在寻找一个能替代闭源多模态 API、且支持本地化部署的视觉语言模型，它是一个值得关注的选择。

OmniParser 是微软推出的一款针对 UI 界面理解的视觉解析模型。不同于传统的 OCR 工具，它能像人类一样“看懂”屏幕，不仅能精准识别文字，还能自动定位图标、按钮等交互元素，并将其转化为结构化的描述。对于开发者来说，它是构建自动化 Agent（智能体）的核心组件，能让 AI 直接操控电脑或手机界面。上手难度适中，由于其开源且基于视觉解析逻辑，你可以很方便地将其集成到现有的 RPA 或自动化脚本流中，作为连接视觉输入与动作决策之间的“眼睛”。

这款由 orcarouter 基于通义千问 Qwen 系列微调而来的 27B 模型，采用了 FP8 量化技术，在保持强大性能的同时显著降低了显存占用，非常适合在消费级显卡上本地部署。其核心特点在于“Uncensored”版本，这意味着它移除了部分预设的指令限制，能更直接地响应各种复杂、敏感或具有争议性的创作需求，减少了模型在处理非传统任务时的“说教感”。作为一个多模态模型，它不仅精通文本理解，还具备优秀的图文理解能力，能够实现“看图说话”或基于图像的逻辑推理。对于开发者而言，它在保持开源生态兼容性的基础上，提供了一个更具自由度和灵活性的创作工具，是构建个性化 AI 助手或进行深度内容生成实验的理想选择。

这款模型基于通义千问 Qwen 系列进行深度定制，由 HauhauCS 团队通过 Uncensored（去限制）技术处理而成。它不仅继承了 Qwen 系列强大的中英文理解能力，更通过 Aggressive 策略移除了原有的安全对齐限制，让模型在面对复杂、敏感或需要极致创造力的指令时，不再频繁触发“拒绝回答”的模版化回复。该版本采用了 MTP 架构优化并提供 GGUF 量化格式，意味着即便你没有顶级的 A100 显卡，也可以通过 llama.cpp 等工具在消费级显卡甚至高性能 Mac 上流畅运行。它非常适合那些需要打破常规思维、进行不受限角色扮演（RP）或深度逻辑推演的开发者与硬核玩家。

这款模型是基于 Qwen 系列架构深度定制的多模态版本，由开发者 DavidAU 通过复杂的微调技术整合而成。它不仅继承了通义千问强大的中文语境理解能力，更在视觉理解与代码生成（NEO-CODER）方面进行了专项强化。简单来说，它是一个能够“看图说话”并能处理复杂编程逻辑的复合型工具。由于采用了 GGUF 格式，它对硬件非常友好，普通开发者利用 llama.cpp 等工具即可在消费级显卡甚至大内存 Mac 上流畅运行。虽然其命名包含大量实验性后缀，暗示了其在逻辑推理和指令遵循上的激进优化，但最适合的场景是需要高强度代码辅助或复杂图文综合分析的任务，上手门槛较低，是本地化部署多模态应用的理想选择。

这款模型基于通义千问 Qwen 系列进行微调，通过移除内置的安全限制（Uncensored），为开发者提供了更具自由度的交互体验。它不仅继承了 Qwen 强大的中文理解与逻辑推理能力，还特别强化了在不受约束场景下的内容生成表现。由于采用了 GGUF 量化格式，它对硬件非常友好，即使是消费级显卡或内存较大的笔记本电脑，也能通过 llama.cpp 等主流工具实现流畅的本地部署。无论你是想进行更深度的角色扮演、不受限的创意写作，还是需要一个在处理敏感话题时不会频繁“拒绝回答”的辅助工具，这款模型都是目前平衡性能与自由度的极佳选择。

这款由 Unsloth 团队优化的 Qwen3.8-Flash-Next-GGUF 模型，是专为追求极致推理效率的开发者打造的多模态轻量化方案。它通过 GGUF 量化技术，显著降低了对显存的需求，让普通消费级显卡甚至高性能笔记本都能流畅运行。模型核心能力在于强大的图文理解力，能够精准解析图像细节并结合上下文进行文本生成。对于需要集成视觉识别、文档分析或自动化 UI 巡检的开发者来说，这是一个极具性价比的本地化部署选择。上手难度较低，配合 llama.cpp 等主流工具即可快速跑通，非常适合作为端侧 AI 应用或轻量级智能助手的底层引擎。

这款模型是基于 Qwen 系列深度定制的视觉语言模型，采用了 GGUF 量化格式，非常适合在个人电脑或显存有限的设备上通过 llama.cpp 等工具本地运行。它最大的特点在于通过 'abliterated' 技术处理，在保持强大的图像理解与文本生成能力的同时，显著提升了回答的自由度，减少了过度防御性的拒答情况。对于开发者和爱好者来说，它不仅能精准描述图片细节，还能进行复杂的图文逻辑推理。由于采用了 GGUF 格式，上手难度极低，配合 LM Studio 或 Ollama 等主流客户端，即可实现开箱即用的本地多模态交互体验。

这款模型是基于通义千问 Qwen 3.5 系列深度定制的视觉语言模型，由开发者 DavidAU 通过 IMATRIX 技术进行了量化优化。它最核心的特点在于突破了常规模型的表达限制，能够更自由地处理复杂的文本与图像交互任务。对于开发者而言，它不仅具备强大的多模态理解能力，能精准解析图像细节并进行逻辑推理，更在内容生成上展现出极高的灵活性，适合用于创意写作、角色扮演或需要深度语义挖掘的非受限场景。由于采用了 GGUF 格式并经过 MTP 优化，它对硬件非常友好，即使在消费级显卡或大内存设备上也能流畅运行，是追求高自由度与高性能平衡的玩家进阶首选。

TeleOCR 是星辰智能（XingChen-AGI）在 Hugging Face 开源的图文转文本模型，主打通用 OCR 与版面理解的融合。它能直接把图片里的文字、表格、公式、手写内容一次性转成结构化文本或 Markdown，省去传统「检测→识别→后处理」的多阶段管线。模型采用 Apache-2.0 许可，商用友好，权重开箱即用，配合 Transformers 几行代码即可推理，也适配 vLLM、Ollama 等本地部署框架。实测在中英混排、复杂表格、票据单据等场景表现稳健，适合文档数字化、知识库构建、RAG 数据清洗等落地需求。参数量未公开，但从下载量（2.8 万+）与社区反馈看，推理速度在同类开源模型中属于可用水平，显存占用对 24GB 显存单卡友好。

Swift-Qwen3.8-27b 是一款基于 Qwen 系列架构深度优化的多模态大模型，核心能力在于实现高质量的图文理解与跨模态交互。它不仅仅能“看懂”图片，更能精准地将视觉信息转化为逻辑严密的文本描述。对于开发者而言，27B 的参数规模在性能与推理成本之间找到了一个极佳的平衡点：既具备处理复杂视觉任务的能力，又不会像超大规模模型那样对硬件配置提出极端要求。无论你是想构建自动化图像标注工具、智能视觉问答系统，还是需要一个能读懂复杂图表的 AI 助手，这款模型都能提供非常稳健的支持。上手难度适中，兼容主流的多模态推理框架，是国产开源生态中非常值得尝试的视觉语言模型。

TeleOCR 是 StarDoc-AI 在 Hugging Face 上发布的图像文本识别模型，专门用于从图片中提取文字并输出为可编辑的文本内容。它支持多种语言和常见的图片格式，适合处理文档、截图、照片等场景，尤其在办公和学习中用于快速提取文本，避免手动输入的繁琐工作。模型基于 Apache-2.0 许可证发布，方便开发者在本地或云端部署使用。由于其轻量化设计和较好的兼容性，初学者可以相对容易地通过 Hugging Face 的接口调用，无需复杂的环境配置。不过，对于晰度较低或存在大量噪点的图片，识别效果可能会受到一定影响，建议配合图像预处理使用。

MiMo-V2.6-Distill-Qwen-9B 是由小米团队推出的多模态视觉语言模型，基于 Qwen-9B 进行蒸馏优化而成。它不仅能“看懂”图片，还能精准理解图片中的文字信息并进行复杂的逻辑推理。相比于庞大的通用大模型，这个 9B 参数的版本在保持了极高视觉理解能力的平衡下，大幅降低了推理成本。对于开发者来说，它的上手难度较低，非常适合集成到需要图像识别、文档解析或视觉问答（VQA）的移动端应用或轻量化服务器中。如果你正在寻找一个既能处理图文交互，又能在性能与显存占用之间取得良好平衡的开源方案，这款模型是一个非常务实的选择。

Swift-Qwen3.8-27B-GGUF 是基于通义千问架构开发的轻量化多模态模型，通过 GGUF 量化技术，让开发者能在消费级显卡甚至大内存笔记本上流畅运行。它的核心能力在于“看图说话”与“图文理解”，不仅能精准识别图片细节，还能结合上下文进行逻辑推理。相比于动辄数百 GB 的巨型多模态模型，这款 27B 参数规模的版本在性能与资源占用之间找到了极佳的平衡点。无论你是想构建本地化的智能视觉助手，还是在资源有限的边缘设备上部署图像分析应用，它都是一个上手门槛低、部署灵活且性价比极高的选择。

这款由 ISTA-DASLab 优化的 Qwen 系列多模态模型，采用了 GGUF 量化格式，是追求轻量化与高性能平衡的开发者关注的焦点。它不仅具备强大的图像理解能力，还能实现精准的图文交互。通过 GSQ 与 RCO 等技术优化，该模型在保持极快推理响应（Flash 特性）的同时，显著提升了复杂视觉指令的遵循度。对于显存有限的个人开发者或希望在本地设备部署视觉 AI 应用的用户来说，这是一个上手门槛极低、对硬件极其友好的选择，非常适合用于构建智能视觉助手、自动化图像标注或轻量级的多模态对话机器人。

Qwen3-VL-8B-Instruct 是阿里巴巴 Qwen 团队推出的最新视觉语言模型，主打在轻量级参数下实现极强的图像理解力。它不仅能精准识别图片中的细粒度物体，在 OCR 文字识别、复杂图表分析以及视觉推理方面也达到了行业领先水平。对于中国开发者而言，该模型对中文语境的视觉理解非常地道，非常适合集成到自动化办公、智能助手或电商分析等实际场景中。由于其 8B 的规模，在拥有消费级 GPU 的环境下即可流畅部署，上手难度低，是目前替代闭源视觉 API 的理想开源选择。

这款模型是基于 DeepSeek 系列架构的轻量化多模态版本，通过 FP8 量化技术在保持高性能的同时，大幅降低了显存占用。它不仅具备强大的图文理解能力，能够精准解析图像细节并结合上下文进行逻辑推理，还针对指令遵循进行了优化。对于开发者而言，它的上手门槛极低，非常适合部署在消费级显卡上进行端侧应用开发。无论是构建智能视觉助手、自动化文档分析工具，还是需要快速响应的实时图像问答场景，它都能提供极高的性价比，是追求推理速度与资源效率开发者的理想选择。

LensVLM-9B 是由 Apple 开发的一款轻量化多模态大模型，专注于实现高质量的图像到文本理解。相比于动辄几十亿参数的巨型模型，这颗 9B 参数规模的“小钢炮”在端侧部署和推理效率上展现了极佳的平衡感。它能够精准捕捉图像细节并结合文本指令进行复杂的逻辑推理，非常适合集成到需要实时视觉反馈的应用场景中，比如智能助手、自动化图像标注或移动端的视觉问答。对于开发者而言，它在 Hugging Face 上开源，上手门槛适中，是研究多模态轻量化方案或构建低延迟视觉 AI 应用的理想底座。

Agnes-3.0-Flash 是由 Agnes-AI 开发的一款轻量化多模态大模型，主打“图文理解”到“文本生成”的任务流。不同于追求参数规模的巨型模型，Flash 版本更侧重于推理效率与响应速度，非常适合需要快速处理视觉信息并进行对话的场景。开发者可以利用它实现自动化图像描述、文档内容提取或基于视觉上下文的问答。由于采用了 Apache-2.0 开源协议，它对商业化应用非常友好，上手门槛较低，能够无缝集成到现有的视觉工作流或轻量级 AI 应用中，是追求性价比和部署灵活性的开发者值得关注的选择。

occamy-1.0 是由 Accio-Lab 开发的一款多模态理解模型，核心能力在于实现“图像+文本”到“文本”的跨模态转换。简单来说，它不仅能读懂文字，还能通过视觉信息进行深度理解。对于开发者而言，它非常适合用于构建自动化图像描述、视觉问答（VQA）或复杂的图文内容分析工具。相比于纯文本模型，它补齐了视觉感知这一环，是处理社交媒体图片解析、文档图像识别等场景的有力补充。由于采用了 Apache-2.0 开源协议，开发者可以非常自由地进行二次开发或部署在自有业务中，上手门槛适中，是构建多模态应用的一个轻量级且灵活的选择。

这款模型是基于通义千问 Qwen 系列深度定制的进阶版本，核心亮点在于其“Uncensored”属性与“Cyber-agentic”的设计倾向。它通过 imatrix 量化技术优化，在保持 27B 参数量级性能的同时，显著提升了 GGUF 格式在本地硬件上的运行效率。不同于常规的对话模型，它更强调在复杂指令下的执行力，特别适合开发者用于构建自动化 Agent（智能体）或需要高自由度逻辑推理的场景。对于追求本地化部署、且希望摆脱过度安全限制以获取更直接、更具创造性回答的用户来说，这是一个兼顾多模态理解与强逻辑控制力的优质选择。

jina-ocr-v1 是由 Jina AI 推出的多模态 OCR 模型，专注于将图像中的文本信息精准转化为结构化文本。不同于传统的文字识别工具，它更强调对复杂排版和图像语义的理解，非常适合处理文档扫描件、含有图表的复杂页面或包含大量文字的图片。对于开发者而言，该模型在处理长文本识别和保持文档逻辑结构方面表现出色，是构建文档数字化流水线、自动化数据采集工具的理想选择。虽然它属于垂直领域的专业模型，但得益于 Hugging Face 的生态，开发者可以快速集成到现有的 AI 工作流中，上手门槛较低，是替代传统 OCR 引擎、提升非结构化数据处理能力的利器。