Aya Vision 32B 是一个支持多语言的视觉语言模型，适用于OCR、图像描述、视觉推理等多种用途。

Migician 是一个专注于多图像定位的多模态大语言模型，能够实现自由形式的多图像精确定位。

Adobe 推出全新 Photoshop iPhone 应用，为移动创作者重新定义图像编辑体验。

WHAM 是微软开发的一种生成式游戏模型，用于生成游戏视觉和控制器动作。

VLM-R1 是一个稳定且通用的强化视觉语言模型，专注于视觉理解任务。

VisionAgent是一个用于生成代码以解决视觉任务的库，支持多种LLM提供商。

用于衡量设备 AI 加速器推理性能的基准测试工具。

VideoLLaMA3是前沿的多模态基础模型，专注于图像和视频理解。

TokenVerse 是一种基于预训练文本到图像扩散模型的多概念个性化方法。

Janus-Pro-1B 是一个统一多模态理解和生成的自回归框架。

一个由moondream创建的Hugging Face Space，用于展示注视点相关技术

一种从2D图像学习3D人体生成的结构化潜在扩散模型。

一个基于Google Gemini 2.0的高精度OCR文字识别应用。

一种用于扩散变换器的上下文LoRA微调技术

基于GIMM-VFI的ComfyUI帧插值工具

视频扩散模型，用于虚拟试穿。

高效分离图像前景与背景的模型

自定义Redux效果强度的图像处理工具

图像生成模型，提供前所未有的风格控制。

FLUX.1的最小且通用的控制器

AI驱动的动物图像生成器，快速创建高质量动物图像。

AI驱动的绘画与照片编辑应用

WePOINTS项目，提供多模态模型的统一框架

基于记忆引导扩散的表达性视频生成工具

预测受损历史文档原始外观的技术

创建可动的4D人像化身模型

一种用于控制人类图像动画的方法

多模态大型模型，处理文本、图像和视频数据

定制化漫画生成模型，连接多模态LLMs和扩散模型。

智能搜索平台，集成多种AI服务

即时生成3D模型的AI平台

通过拍照快速获取物品的真实价值。