基于BLIP架构微调的阿拉伯语图像字幕生成模型，专门针对Flickr8k阿拉伯语数据集优化

GLM-4-32B-0414是拥有320亿参数的大语言模型，性能媲美GPT-4o和DeepSeek-V3，支持中文和英语，具备卓越的代码生成、函数调用和复杂任务处理能力。

SkyReels V2是首个采用自回归扩散强制架构的开源视频生成模型，支持无限时长电影生成，在公开模型中实现最先进的性能表现。

基于Qwen2.5-VL-7B-Instruct在instancevid数据集上微调的视觉语言模型，专注于实例级图像描述生成

GLM-4-32B-0414是拥有320亿参数规模的大语言模型，性能与GPT系列相当，支持中英文，擅长代码生成、函数调用和复杂任务处理。

基于Qwen2.5-7B扩展的语音语言模型，支持语音-文本交错训练和跨模态生成

基于Unsloth优化的Llama 3.2 11B视觉指令微调模型，采用4位量化技术，训练速度提升2倍

基于Qwen2-VL-7B模型的4位量化版本，使用Unsloth和Huggingface TRL库进行训练，推理速度提升2倍

这是一个基于ViT和GPT2架构的图像描述生成模型，能够为输入的图像生成自然语言描述。

基于VILA-v1.5-13B开发的视频文本生成模型，能够为输入视频生成精细的描述文本，符合人类偏好。

基于unsloth/llama-3.2-11b-vision-instruct-unsloth-bnb-4bit微调的多模态大语言模型，支持视觉指令理解任务，使用Unsloth优化训练速度提升2倍。

这是一个为Wan2.1 14B视频生成模型训练的LoRA，适用于文本转视频和图像转视频任务。

Liquid 是一种自回归生成范式，通过将图像标记化为离散代码并在共享特征空间中学习这些代码嵌入与文本标记，实现了视觉理解与生成的无缝融合。

一个基于bert-mini和vit-small的轻量级图像字幕生成模型，仅重130MB，在CPU上运行速度极快。

Janus-Pro-1B 是一个多模态因果语言模型，支持文本到图像、图像到文本等多种任务。

LongVA-7B-TPO是基于LongVA-7B通过时序偏好优化而来的视频-文本模型，在长视频理解任务中表现优异。

腾讯混元视频是一个文本生成视频的模型，适配于Hugging Face推理端点。

InstructCIR是一个基于指令感知对比学习的组合式图像检索模型，采用ViT-L-224和Phi-3.5-Mini架构，专注于图像文本到文本生成任务。

Captain Violet 是一个12B参数规模的合并模型，由Epiculous/Violet_Twilight-v0.2和Nitral-AI/Captain_BMO-12B通过mergekit工具合并而成，支持文本生成任务。

CogVideoX-2B-LiFT是基于奖励加权学习方法对CogVideoX-1.5进行微调的文本到视频生成模型

基于Unsloth优化的视觉指令微调模型，支持多模态任务处理

基于CLIP编码器和GPT2架构的编码器-解码器模型，用于生成泰语图像描述

Janus-1.3B 是一个多模态因果语言模型，支持文本到图像、图像到文本以及图像文本到文本的转换任务。

OmniGen是一个统一的图像生成模型，支持多种图像生成任务。

Emu3是由北京智源研究院开发的多模态模型，仅通过预测下一个标记训练而成，支持图像、文本和视频处理。

基于IP-Adapter技术的图像到图像适配器，用于稳定扩散模型SD1.5，支持通过图像提示生成艺术图像。

基于Swin Transformer和DistilBERTimbau的巴西葡萄牙语图像描述生成模型

AiM是一个基于PyTorch的无条件图像生成模型，通过PytorchModelHubMixin集成推送到Hugging Face Hub。

Show-o 是一个基于 PyTorch 的任意到任意转换模型，专注于多模态任务处理。

Show-o 是一个基于 PyTorch 的任意到任意转换模型，支持多种模态的输入和输出转换。

该模型是microsoft/Florence-2-large的微调版本，在Ejafa/ye-pop数据集的4万张图像子集上进行训练，标注文本由THUDM/cogvlm2-llama3-chat-19B生成，适用于图像转文本任务。

Lumina-mGPT 是一个多模态自回归模型家族，擅长根据文本描述生成灵活逼真的图像，并能执行多种视觉和语言任务。

Lumina-mGPT 是一个多模态自回归模型家族，擅长根据文本描述生成灵活逼真的图像，并能执行多种视觉与语言任务。

Lumina-mGPT 是一个多模态自回归模型系列，擅长根据文本描述生成灵活逼真的图像。

该模型是microsoft/Florence-2-large的微调版本，在Ejafa/ye-pop数据集的4万张图像子集上进行了训练，标注由THUDM/cogvlm2-llama3-chat-19B生成，专注于图像转文本任务。

Latte是一个基于Transformer的潜在扩散模型，专注于文本生成视频任务，支持多种数据集预训练权重。

Shot2Story-20K 是一个基于图像生成文本的模型，能够将输入的图像转换为连贯的文本描述或故事。

这是一个基于ViT和土耳其语GPT2的视觉编码器-解码器模型，用于生成土耳其语的图像描述。

MGM-7B是基于Vicuna-7B-v1.5训练的开源多模态聊天机器人，支持高清图像理解、推理与生成。

一个基于AllenNLP库的文本到视频生成模型，能够根据输入的文本描述生成相应的视频内容。