蒸馏技术可以将大型模型的推理能力迁移到小型模型中，从而显著提升小型模型的性能。通过使用DeepSeek-R1生成的推理数据，DeepSeek 团队对多个常用的小型密集模型进行了微调，开源了基于 Qwen2.5 和 Llama3 系列的 1.5B、7B、8B、14B、32B 和 70B 蒸馏模型——DeepSeek-R1-Distill系列模型

本手册提供了 Ollama 和 Open WebUI 的安装和使用指南，支持deepseek r1版本

HeyGem数字人加速优化版,支持唱歌数字人,批量任务, 部署后，等待服务启动，大概2分钟，然后点击 SD-WebUi

aitookit lora 训练镜像-包含flux kontext 模型与数据集

Wan2GP，高度优化的视频生成项目，支持Wan、Hunyuan和LTX等相关模型

秋叶丹炉（Lora-Scripts）1.10

适用电商的ComfyUI镜像环境，包括：饰品佩戴、 多姿势，多角度， 一致性模特工作流，一键换装工作流，眼镜模特工作流，假发模特工作流镜像；本镜像采取一键打包形式，不用输入一句命令，点击几次即可

AstrBot 是一个支持 QQ、微信、飞书等多消息平台部署、具有易用的插件系统和完善的大语言模型（LLM）接入功能的聊天机器人及开发框架。

Forge WebUI大镜像

vits-simple-api语音合成推理服务，支持vits、hubert-vits、w2v2-vits、bert-vits2、gpt-sovits

用于训练alchemy kws模型

最强的图片数字人，支持唱歌、说话，效果超强！

LatentSync1.6 汉化版数字人制作 构建By科哥

LiveTalking + GPT-SOVITS V2 + Ollama + FunASR 洛曦AI定制版。 实时语音对话数字人 + 直播版数字人 注意防火墙需要开放UDP所有的端口，让WebRTC可以建立通信

musetalk1.5音频驱动视频生成数字人汉化webUI版 构建By科哥

index-tts-api-v1.5 在线推理服务deepspeed加速版封装，支持自行调用API

MuseTalk数字人模型，建议选择显存48G及以上的GPU

搜集主流的开源ASR项目，提供api接口或webui页面完成ASR工作。 目前内置的项目有：FunASR（SenseVoice、speech_paraformer-large）、FireRedASR、PaddleSpeech

MOSS-TTSD邱锡鹏团队开源最新百万小时训练声音推理模型声音克隆 构建By科哥

简单易用的大模型即时通信机器人开发平台，支持 QQ 微信 企微 飞书 钉钉 等多种平台，已配置好 Ollama DeepSeek 模型

lora-scripts镜像提供轻量级LoRA训练套件，集成Kohya_ss训练器与WebUI界面，支持一键式模型微调、数据集预处理及参数可视化，简化Stable Diffusion衍生模型的定制流程，开箱即用。

Bunkws 是杭州国芯微自研的一款端到端唤醒词训练框架

牛哥专属调教版本： 开机即用 默认授权码9259 做了队列限制，多人排队，默认依次执行

Kontext-Nunchaku 是一款结合了 FLUX.1 Kontext 图像编辑模型与 Nunchaku 高性能推理加速引擎的工具。它支持基于文本和图像的精准局部修改，能有效实现无损细节的水印擦除，并可在几乎不损失画质的前提下显著提升推理速度

comfyui+nunchaku极速出图、改图！

Flux-kontext & Nunchaku急速高清修复工作流

开源的SOTA级图像编辑模型的多种应用

最强大的图片编辑模型，支持基础修改、风格转换、角色一致性、文本编辑

FLUX.1-Kontext-dev是Black Forest Labs开源的120亿参数图像编辑模型，基于文本指令修改图片，支持角色、风格、物体引用，无需微调即可多步编辑，训练效率高

Voice-Changer（VCClient）是 w-okada 开源的跨平台实时 AI 变声器，内置 RVC、Beatrice v2、MMVC、DDSP-SVC 等主流模型

镜像集成了multitalk数字人工作流与indextts语音克隆工作流

GPT-SoVITS-V4（v2Pro,v2ProPlus），所需素材少，训练耗时短，情绪可控。

index-tts在线api声音克隆快速声音生成api服务用于听小说语音直播等

6-23更新v2.7-大凯智障君-VACE / FusionX 专属AI视频镜像本镜像中包括了：最新的面部追踪流程、 Flux文生图+高清放大工作流 VACE / FusionX 文生视频、图生视频、视频生视频、首帧+尾帧视频comfyUI工作流。 如果你需要学习AIGC相关课程，可以前往哔哩哔哩（免费课程）： https://space.bilibili.com/499577088

Hunyuan3D-2.1是腾讯开源的3D生成大模型，支持文本、图片、草图输入，生成高精度PBR材质与几何模型，加速游戏、影视、工业设计等领域3D资产创建，推动3D生成技术发展

本整合包将整合So-Vits-SVC4.1、DDSP-SVC-6.0/6.1、ReFlow-VAE-SVC多种SVC模型训练及推理

单图生成零件级3D模型-PartPacker是 NVIDIA 开源的单视图零件级 3D 对象生成框架，通过“双体素打包”将整体与部件隐式编码解耦

n8n 是一个工作流自动化平台，为技术团队提供代码的灵活性和无代码的速度。拥有 400+ 集成、原生 AI 功能和公平代码许可证，n8n 让您构建强大的自动化，同时保持对数据和部署的完全控制。

大凯智障君-VACE / FusionX 专属AI视频镜像：包含Flux文生图高清放大、VACE模型视频创作流程、FusionX模型的图生视频、文生视频、视频转视频等最新的comfyUI工作流，我会定期更新本教学镜像，欢迎大家学习和测试使用。

tencent-ailab旗下的SongGeneration项目，目前只有base模型

Voila是一个超越人类反应速度的开源语音大模型，专为实时情感对话而设计。作为由美国加州大学圣地亚哥分校、阿联酋穆罕默德·本·扎耶德人工智能大学以及Maitrix.org团队共同开发的革命性语音基础模型，Voila采用端到端架构，实现了195ms超快响应，支持百万音色和10秒声音克隆，是构建有温度AI语音交互系统的理想选择。

Langchain-Chatchat 是一种利用 langchain 思想实现的基于本地知识库的问答应用，目标期望建立一套对中文场景与开源模型支持友好、可离线运行的知识库问答解决方案

V-JEPA 2（Video Joint-Embedding Predictive Architecture 2）是Meta AI在世界模型构建领域的重大突破，这是一个能够像人类一样理解、预测和规划的自监督视频模型

FusionX最全工作流合集，创建即用，AI视频生成这里都有

阿里开源实时交互数字。 模块化的交互数字人对话实现，能够在单台PC上运行完整功能。

Srt-AI-Voice-Assistant配音辅助工具搭配GSV的镜像

最新版comfyui，集成了360旋转工作流，WAN2.1视频转绘工作流，和图片重绘、flux-kontex工作流

LiveTalking镜像提供实时交互数字人解决方案，支持ERNerf、MuseTalk、Wav2Lip多种模型，通过端到端生成对抗网络实现单张人脸照片驱动的超低延迟（<100ms）唇形同步、表情及头部运动控制，开箱即用。

GPT-SoVITS V4 是 RVC-Boss 开源的极致低门槛 TTS/变声器，仅需 1 分钟干声即可训练高相似音色；V4 修复金属失真并原生输出 48 kHz，支持中英日韩粤五语种零样本与跨语言推理

最简单的lora制作工具，三步让你制作出自己的lora

TabbyAPI 是 ExLlamaV2 官方开源的高性能文本生成服务器，OpenAI 兼容、轻量极速，支持 Exl2/GPTQ/FP16 模型，内置并发批处理、LoRA 热插、工具调用与草稿推测解码

Text-Generation-Webui大语言模型综合终端。Text-Generation-Webui 是 oobabooga 开发的开源 LLM 前端，被誉为“文本界的 AUTOMATIC1111”，支持 llama.cpp、Transformers、ExLlamaV3、TensorRT-LLM 等多种后端

DreamO实现了比以前的适配器方法更高的保真度，在保留字符身份方面具有明显的优势。

这是一套强大的AI视频生成工具包，支持文生视频、图生视频，具备动作、镜头、参考图等高级控制功能，并可进行首尾特效、风格转绘、数字人生成等后期处理。

Wan2.1模型的文生视频、图生视频、首尾帧过渡动画体验镜像

一键部署AstrBot+NapCat+Ollama，兼容所有nv显卡 当廉价的喜欢布满街道 纯粹的爱意显得弱不禁风

DeepSeek R1 模型进行了小版本升级，当前版本为 DeepSeek-R1-0528。在最新的更新中，DeepSeek R1 通过利用增加的计算资源并在后训练期间引入算法优化机制，显著提高了其推理和推理能力的深度。

在官方最新版本的基础上，你们喜爱的**牛哥（NiuGee）** 对其做了一些小改造： ### 1. 挂机模式 添加了你们喜欢的批量挂机模式：生成一张图一般需要一分钟左右，并且存在抽卡的可能，很多时候，我们希望可以一次性生成一批图片，然后我们逐个选择我们喜欢的就好了，但我们不想一次一次的修改提示词，点击开始，那么这个挂机模式就可以了 - 首先你准备一个Excel文件，然后再第一列，每行输入一个要生成图片的提示词，多少行就会最终生成多少。 - 打开web页面后，选择“批量”模式，上传Excel - 点击开始，之后就不用管了，等着完事就可以了 ### 2. 优化显存 我们知道在牛哥的5090上，这个软件基本已经快要占满了，那么我想把他运行在4090或者3090这种24GB显存版本的平台上，肯定会报显存溢出，牛哥通过一些“奇淫技巧！~”，嗯，现在只需要20G左右就可以了，剩下的空间，大胆的用来跑图吧 带来的影响：次推理第一张图的时候，时间会稍慢（Full 50步推理大概3分钟左右），之后就正常了，基本都是1分钟 ### 3. 软件汉化 & Bug修复 这个就不多展开了，官网是有一些小

index-tts来自B站的一个工业级别的声音克隆应用

Fay数字人3.1.1最小可运行版。fay是一个帮助数字人（2.5d、3d、移动、pc、网页）或大语言模型（openai兼容、deepseek）连通业务系统的mcp框架。

vits-simple-api一个出色的声音API管理应用。

HeyGem的docker免费离线版本,你只需要Python和Linux！

CosyVoice阿里云同义实验室开源的AI声音克隆应用

F5-TTS 是由上海交通大学、剑桥大学和吉利汽车研究院（宁波）有限公司于 2024 年共同开源的一款高性能文本到语音 (TTS) 系统， 它基于流匹配的非自回归生成方法，结合了扩散变换器 (DiT) 技术。 1、一切环境已经就绪，开机已经启动应用，等待1-2分钟即可打开webUI进入使用页面： 2、如果需要重启程序，进入jupyterlab，终端命令行中输入： cd /root && run.sh 并回车，等待1-2分钟即可打开webUI进入使用页面. 官方更新源码在这里： https://github.com/SWivid/F5-TTS 使用视频及教程参考：B站搜索“F5-tts”相关视频教程 使用教程更新地址：https://kege-aigc.feishu.cn/docx/G5G1dcRUForkdnxhuQLcmsuknTb --- 有bug请微信科哥： 312088415 科哥目前在研究AI数字人直播卖货很成功，欢迎来了解一起玩： https://kege-aigc.feishu.cn/docx/G271dgZr1o8CvMx9KKrcRuuonDf

Voice-Changer 云端在线变声器。Voice-Changer（VCClient）是 w-okada 开源的跨平台实时 AI 变声器，内置 RVC、Beatrice v2、MMVC、DDSP-SVC 等主流模型

HiDream-I1是一种新的开源图像生成基础模型，具有 17B 参数，可在几秒钟内实现最先进的图像生成质量。

本镜像基于 LLaMA-Factory 框架，支持在多张 NVIDIA RTX 4090 GPU 上进行模型微调。具体支持的模型及硬件需求如下： Qwen3-8B：使用 LoRA 技术，结合 DeepSpeed ZeRO-3 Offload（ds3-offload），建议使用 1~2 张 RTX 4090

Alphafold3基础镜像，无MSA所需的数据库，无模型权重文件，需要自行下载

InternVL 系列：GPT-4o 的开创性开源替代品。 接近GPT-4o表现的开源多模态对话模型

这是一套强大的AI视频生成工具包，支持文生视频、图生视频，具备动作、镜头、参考图等高级控制功能，并可进行首尾特效、风格转绘、数字人生成等后期处理。

首个中医大语言模型——“仲景”。受古代中医学巨匠张仲景深邃智慧启迪，专为传统中医领域打造的预训练大语言模型。

GPT-SoVITS，已更新V4，[优先使用较新镜像]，所需素材少，训练耗时短，情绪较可控。已打包好整个流程所需的所有环境，开箱即用。

三面ComfyUI，400GB精选模型 + 105个常用节点

Qwen3系列模型，单卡4090推荐0.6B-8B模型，2卡推荐14B模型，4卡推荐32B模型

WAN2.1-lora训练包，基于kohya的musubi-tuner和TTP大佬的gui，我增加了tensorboard功能，希望能够帮助到大家！共建wan视频生态。

Qwen3-0.6B-235B量化模型，支持OpenWebUI。Qwen3-0.6B-235B 是通义千问开源的完整量化模型矩阵，覆盖 0.6B-235B 共 8 个规模（含 MoE 235B-A22B 旗舰），均已 AWQ/FP8/GGUF 量化

FramePack 是 lllyasviel 开源的“下一帧预测”视频扩散框架，通过把任意长度上下文压缩为固定 token，实现 13B 模型在 6 GB 显存笔记本上生成 60 秒 30 fps 视频

MICCAI Challenge STSR 2025 - Task 2 Baseline Docker 赛事主页：https://www.codabench.org/competitions/6470/ 挑战赛主页：https://songhen15.github.io/STSdevelop.github.io/miccai2025/index.html 本 Docker 镜像旨在为 MICCAI Challenge STSR 2025 挑战赛 - Task 2（牙冠和牙根配准）提供一个开箱即用的深度学习基线（Baseline）解决方案。通过CBCT与IOS影像的配准实现牙冠-牙根跨模态配准 联系方式: SemiTeethSegChallenge@aliyun.com

对牙根髓管进行精确分割可以更清晰地显示其形态、分支和弯曲，从而有助于制定更精细的填充策略。然而，在 CBCT 图像中标注牙根髓管区域本身就是一项劳动密集型工作，需要投入大量的时间和人力资源。在Miccai STSR 2025挑战任务1中，我们扩大数据集并为不同的牙齿（包括牙齿和相应的根毛管）提供更细粒度的注释。预计该分割算法将准确地分割恒牙（包括智慧牙齿）和相应的根毛管。

DeepFaceLab训练环境dfl训练linux环境v1.0。DeepFaceLab 是开源换脸领域最成熟的端到端工具链，单仓库整合数据标注、人脸对齐、模型训练与合成全流程，支持 SAEHD、DFDNet、XSeg 等主流网络

Heygem数字人WebUI轻量版视频生成数字人克隆对口型音频驱动视频构建By科哥

vits-simple-api声音推理api服务，由科哥打包的一键部署镜像，内置WebUI界面，开箱部署即用

LatentSync1.5是字节跳动2025年3月开源的端到端唇形同步框架，基于潜在扩散模型，仅用6 GB显存即可将任意音频驱动成高分辨率、时序连贯的中文说话视频

ComfyUI-v0.3.26+JoyCaption2 集成包开箱即用，已预装 ComfyUI-v0.3.26 及 JoyCaption2 反推节点，支持图生文、批量打标、中文语义优化

智谱GLM 家族迎来新一代开源模型 GLM-4-32B-0414 系列，320 亿参数，效果比肩 OpenAI 的 GPT 系列和 DeepSeek 的 V3/R1 系列，且支持非常友好的本地部署特性

HeyGem镜像使用教程，HeyGem是由Duix.com开发的免费开源 AI 头像项目。

LLaMA-Factory（v0.9.2）大模型训练环境，内置WebUI启动器和API启动器，以及常用的6B、7B、8B、9B模型。

包含Qwen2.5-VL多模态、QWQ-32B两个模型，并带有WebUI界面，立即部署即可快速使用

Qwen 2.5-Omni是一个端到端的多模态大语言模型，旨在感知包括文本、图像、音频和视频在内的多种模态，同时以流式的方式生成文本和自然语音响应，该镜像推荐使用单卡A100

创建实例，点击部署，然后稍等2-3分钟，进入JupyterLab 创建一个终端Terminal 启动 ollama 输入 ollama serve 启动 open-webui 然后启动open-webui，open-webui serve --port 8080 open-webui serve 然后在实例页面找到公网ip，在网页输入xxx.xxx.xxx.xxx:8080，xxx.xxx.xxx.xxx为你的公网ip， 即可进入我们的open-webui，我们点击开始使用 随后我们设置邮箱，用户名和密码，创建管理员。例如 coderabo@qq.com #邮箱 coderabo #用户名 coderabo #密码 然后右上角会提示“已登陆”，我们稍等一下 点击确认，即可开始使用！ 后记：重置密码方法为： 进入以下目录删除：webui.db，然后重启open-webui 服务即可。 /usr/local/miniconda3/envs/py312/lib/python3.12/site-packages/open_we

NVIDIA Isaac GR00T N1是全球首个用于通用人形机器人推理和技能的开源基础模型。这种跨实体模型可以接收多模态输入，包括语言和图像，以在各种环境中执行操作任务。GR00T的名称源自Generalized Robot Operations and Telemetry，代表着其通用化的操作能力和遥测数据处理能力。 GR00T N1 基于广泛的人形机器人数据集进行训练，这些数据集包括真实捕获的数据、使用NVIDIA Isaac GR00T Blueprint组件生成的合成数据，以及互联网规模的视频数据。通过训练后的适应过程，它可以针对特定的机器人实体、任务和环境进行优化。

混元 3D 2.0 是一款先进的大规模 3D 资产创作系统，它可以用于生成带有高分辨率纹理贴图的高保真度3D模型。该系统包含两个基础组件：一个大规模几何生成模型 — 混元 3D-DiT，以及一个大规模纹理生成模型 — 混元 3D-Paint

腾讯混元3d生成模型，自带环境，开箱即用

MSST-webUI版本，更简单，加入一键处理，效率更高，更好用的干声分离以及去和声混响的项目，可以作为传统UVR的上位替代，并兼容UVR的模型，简单且快。

Gemma 3 是谷歌最新推出的开源轻量级多模态模型，被称为全球最强的单加速器模型，在单 GPU 或 TPU 环境下表现显著优于其他同类模型。它支持超过 140 种语言的预训练，直接支持超过 35 种语言，具备分析文本、图像及短视频的能力

ComfyUI-v0.3.26，预装了ComfyUI相关常用插件，点击立即部署开箱即用，快速体验

ComfyUI-Wanx-I2V是社区为阿里开源视频模型 Wan2.1 定制的 ComfyUI 原生图生视频工作流节点包，一键运行wanx i2v

GPT-SoVITS，已更新V3，[优先使用较新镜像]，所需素材少，训练耗时短，情绪较可控。已打包好整个流程所需的所有环境，开箱即用。

这个镜像提供了一个免费的OpenManus环境，并基于ollama来快速启动一个 LLM（大型语言模型）应用程序。该项目可支持单卡运行整个项目。

该版本是满血版本，需要四卡运行！！！Qwen发布了最新的32B推理模型QwQ-32B，其性能在许多基准测试中表现出色，甚至不逊色于671B参数的满血版DeepSeek R1。QwQ-32B基于Qwen2.5-32B，并通过强化学习（RL）进行进一步优化。

CogView4-6B是清华团队最新开源的60亿参数中文原生文生图扩散模型，支持512-2048分辨率、BF16精度和1024 token超长提示词，中文文字准确率达69.7%

QwQ 是 Qwen 系列中的推理模型。与传统的指令调优模型相比，具备思考和推理能力的 QwQ 在下游任务中，特别是在解决难题时，能够显著提升性能。QwQ-32B 是一个中等规模的推理模型，其性能可以与最先进的推理模型相媲美，例如 DeepSeek-R1、o1-mini

LivePortrait‌是由快手科技、中国科学技术大学和复旦大学联合开发的一个项目，旨在将驱动视频的表情和姿态迁移到静态或动态人像视频上，生成极具表现力的视频结果‌

Koyha_ss项目使用了gradio对lora的训练任务进行了封装，提供了可视化交互界面，通过交互界面，可以方面修改训练参数的配置，对小白更加友好。

WAN 2.1 是一款强大的文本到视频(T2V)生成模型，专为创建流畅、高质量的视频内容而设计。该模型提供两个版本：全尺寸14B参数版本(支持FP8精度)和轻量级1.3B参数版本，可根据不同硬件条件灵活选择

Wan2.1-T2V-1.3B是阿里开源的极速版文本到视频扩散模型，仅13亿参数，支持中英文动态文字与复杂运动场景

数字人成品项目包含数字人克隆、声音克隆、短视频生成、直播（待发布）、AI配音、AI字幕，包括Windows安装版，Web版，H5版，小程序版，副业必备

Wan2.1-WebUI是阿里通义开源视频大模型Wan-2.1的浏览器操作界面，已内置1.3B与14B双精度模型，支持文本/图像一键生成高清视频，提供实时预览、批量脚本与LoRA扩展

阿里推出的视频生成模型，效果媲美商用模型，ComfyUI-Wan2.1镜像集成定制化高级图像生成工作流套件，开箱即用

Ollama镜像提供轻量级大语言模型本地运行框架，支持-R1 (7B/4.7GB)、Llama3.3 一键拉取与运行包括但不限于以下模型：DeepSeek、Llama3.2 、Phi4 、Gemma2:2b 、Mistral

Gromacs-2025.0镜像集成开源高性能分子动力学模拟软件，通过强化多精度算法与GPU并行加速（支持NVIDIA/AMD显卡）实现纳秒级生物大分子运动模拟，优化AI辅助建模与超大体系计算效率，提供跨平台开箱即用解决方案

基于大语言模型自监督能力的提示优化框架，SPO通过对比不同提示生成的输出质量，自主完成优化迭代。

Xorbits Inference (Xinference) 是一个开源平台，用于简化各种AI 模型的运行和集成。 借助Xinference，可以使用任何开源LLM、Embedding模型和Rerank模型在云端或本地环境中运行推理

Zonos 是一款由 Zyphra 开发的先进开源文本到语音（TTS）模型，基于超过 20 万小时的多语言语音数据训练而成。它能够生成自然流畅的语音，并在表达力和音质上超越许多顶级 TTS 提供商。Zonos 支持零样本语音合成和语音克隆，能够通过几秒钟的参考音频复现说话人的语音特征

AI翻唱+语音变声器：RVC语音转换训练推理用WebUI，3分钟极速训练新模型

OmniParser 是微软推出的一款强大的屏幕解析工具，专注于将用户界面截图转化为结构化元素，从而提升视觉模型在图形界面中的交互能力。它通过细粒度的图标检测和交互性预测，为自动化测试、智能助手开发以及无障碍技术提供了强大的支持

最新WebUi1.10.0+全新整合包4.0+一个命令启动。Stable-Diffusion-WebUI镜像集成主流文生图可视化工具，通过一键启动界面支持文生图/图生图/局部重绘等全功能创作流程，内置ControlNet/ADetailer等海量插件并兼容SDXL模型，提供开箱即用的本地化AI绘画解决方案

使用[LLaMA-Factory](https://github.com/hiyouga/LLaMA-Factory)在多张RTX4090上微调DeepSeek-R1-Distill系列模型

SF-Loc应该算是DBA-Fusion(RAL2024)的改进版。 在image+IMU的基础上额外加了map-aided localization.而所谓的map属于priori map，是由稀疏帧（每帧为稠密的深度）来组成的。而要实现map-aided localization，就需要分别解决mapping以及re-localization的两个问题。

用纯文本提示的方法实时“微调”LLM，使得基础模型在推理过程中与人类偏好对齐，生成更好的结果。`TPO-LLM-WebUI` 为TPO框架提供了一个友好的WebUI以便你加载LLM和奖励模型，以及展示输出结果。

终端输入 cd /root/ai-toolkit && bash /root/ai-toolkit/运行.sh

建议4卡4090，内存300G以上！KTransformers 使用说明文档，目前支持Q4级别的deepseek的QA对话

Fish Speech，已发布正式版1.5，强大的zero shot能力，支持中日英德法阿拉伯等多国语言。镜像打包了所需的环境，包括干声分离，切片，标注等工具，开箱即用。

仅7B就在数学推理能力上超越70B和一众小型模型，MIT与哈佛基于行动-思维链（COAT）机制训练的 Satori-7B-Round2 推理模型。本镜像提供了一个 Gradio API 提供了一个友好的 Web UI，方便快速部署实例后立即体验 Satori-7B-Round2 模型的推理能力。

YOLOv5 镜像，开箱即用，支持模型训练、模型验证和模型推理。YOLOv5 是当前工业界最流行的目标检测算法之一，本镜像是基于 YOLOv5 v7.0 构建的 YOLOv5 镜像，方便用户测试 YOLOv5 模型

ChatGLM3 镜像，开源双语对话语言模型，支持模型的推理和模型微调。ChatGLM3 是智谱AI和清华大学 KEG 实验室联合发布的对话预训练模型。ChatGLM3-6B 是 ChatGLM3 系列中的开源模型

这个镜像将会创建大模型推理加速SGLang框架所需的环境，同时将会采用Xinference作为模型管理工具。

SiameseUniNLU通用自然语言理解模型，基于提示（Prompt）+文本（Text）的构建思路，通过设计适配于多种任务的Prompt，并利用指针网络（Pointer Network）实现片段抽取（Span Extraction），从而实现对命名实体识别、关系抽取、事件抽取、属性情感抽取、情感分类、文本分类、文本匹配、自然语言推理、阅读理解等多类自然语言理解任务的统一处理

分割任何物体模型 (SAM)可根据点或框等输入提示生成高质量物体蒙版，并可用于为图像中的所有物体生成蒙版。该模型已在包含 1100 万张图像和 11 亿个蒙版的数据集上进行了训练，并且在各种分割任务中具有强大的零样本性能

快速分割任何内容。快速分割任意模型 (FastSAM)是一个 CNN 分割任意模型，仅使用 SAM 作者发布的 SA-1B 数据集的 2% 进行训练。FastSAM 实现了与 SAM 方法相当的性能，但运行速度提高了 50 倍

Deepseek-R1-Distilled-Qwen-1.5B，通过简单的强化学习（RL）微调，得到了全新的DeepScaleR-1.5B-Preview。 在AIME2024基准中，模型的Pass@1准确率达高达43.1% ——不仅比基础模型提高了14.3%，而且在只有1.5B参数的情况下超越了OpenAI o1-preview！

deepseek-r1:32b版本，单卡4090可以流畅推理，适合用于自己的知识库构建。

最强大和模块化的扩散模型GUI、api和后端，具有图形/节点界面，专业人士首选。

阿里 TTS模型，提供多语言语音生成、零样本语音生成、跨语言语音克隆和指令跟随能力

671Bdeepseek 量化版本，最低可以双卡4090运行，速度较慢，如果有较快需求可以提卡，建议4卡运行这个ollama模型是最好的，并在`vim /etc/systemd/system/ollama.service`文件中将两卡，修改成你加载的卡数`Environment=CUDA_VISIBLE_DEVICES=0,1`

deepseek-vllm-chatbot可视化大模型聊天机器人。vLLM-DeepSeek-chatbot是基于原生vLLM镜像扩展的增强版聊天机器人（ChatBot），集成 Gradio 实现了可视化的 WebUI 对话界面，支持实时交互式参数调节和对话历史展示

该镜像使用sglang加速框架部署DeepSeek-R1-Distill系列大模型服务。SGLang 是一个用于大型语言模型和视觉语言模型的快速服务框架，在vllm基础上进行开发，比vllm拥有更加优秀的性能，更快的推理速度，更高的并发请求

R1-671b动态量化版，由unsloth发布，推荐使用多卡进行部署。 详情请查看镜像内说明或者readme。还附带32b的无限制版蒸馏模型，使用open-webui和ollama以及llama.cpp进行部署。

需要双卡，Ollama 和 Open WebUI搭建的DeepSeek-R1-70B版本，支持API调用

GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本。 在语义、数学、推理、代码和知识等多方面的数据集测评中，GLM-4-9B 及其人类偏好对齐的版本 GLM-4-9B-Chat 均表现出较高的性能。 除了能进行多轮对话，GLM-4-9B-Chat 还具备网页浏览、代码执行、自定义工具调用（Function Call）和长文本推理（支持最大 128K 上下文）等高级功能。 本代模型增加了多语言支持，支持包括日语，韩语，德语在内的 26 种语言

diffsinger基本全自动的声库制作镜像，镜像内涵盖了所有环境，开箱即用。DiffSinger是AAAI 2022官方开源的PyTorch歌声合成模型，通过浅扩散机制实现SVS与TTS统一框架，支持中文/英文多语种所制作声库用于openutau歌声合成引擎，该镜像使用diffsinger的多字典分支，默认支持中日跨语种，但仅支持中文的全自动数据集处理。

DeepSeek Janus-Pro 是一种创新的自回归框架，旨在统一多模态理解与生成任务。它通过将视觉编码解耦为独立的路径，同时仍采用单一的统一 Transformer 架构进行处理，不仅终结了传统模型在视觉理解与图像生成间的两难抉择，更以统一架构刷新性能极限

cp2k_lammps_deepmd-kit是连接第一性原理与经典分子动力学的极简工作流：用CP2K算少量高精度数据→DeepMD-kit训练DPA-2势函数→LAMMPS驱动亿级原子长时程模拟

一款简单易用的 AI 证件照制作工具，能够生成标准证件照和六寸排版照。支持抠图、尺寸调整和自定义底色等功能。

用于医学图像分割的定制化 Segment Anything 模型。SAMed是面向医学影像的轻量化SAM定制方案，基于LoRA微调ViT编码器+提示编码器+掩码解码器，仅需更新18M参数即可在Synapse多器官数据集上达到81.88 DSC精度，支持224/512分辨率一键推理与训练

Cogview3 是一个先进的文本到图像生成模型，由清华大学 KEG 实验室和智谱AI公司联合训练。CogView-3-Plus 基于 CogView3 (ECCV'24)，引入了最新的 DiT 框架，以进一步提高整体性能。 CogView-3-Plus 使用零信噪比扩散噪声调度，并结合了联合文本图像注意机制。与常用的MMDiT结构相比，它在保持模型基本能力的同时，有效降低了训练和推理成本。 CogView-3Plus 使用潜在维度为 16 的 VAE。

MiniCPM-o 是从 MiniCPM-V 分级的最新端侧多模态 LLM （MLLM） 系列。这些模型现在可以将图像、视频、文本和音频作为输入，并以端到端方式提供高质量的文本和语音输出。

Cosmos-v1.0是英伟达开源的首款物理世界生成模型，可同时处理文本、图像、激光雷达等多模态输入，一键生成高逼真机器人或自动驾驶训练视频

ddsp6.2,内置环境，上传数据即可训练，支持批量推理。后续会更新。DDSP-SVC-6.2是轻量级端到端歌声转换开源框架，基于DDSP+Rectified Flow双路径建模，推理显存≤4G即可实时变声，训练速度十倍于SO-VITS，集成RMVPE基频提取、NSF-HiFiGAN声码器、内容编码器一键切换，支持多人混合音色、滑窗交叉淡入、SOLA低延迟拼接，附赠Gradio GUI与预训练模型，开箱即唱。

Meta Llama3-8B是2024年4月发布的80亿参数自回归大模型，基于15T多语言公开数据预训练，8K上下文Grouped-Query Attention架构，指令版经SFT+RLHF对齐，在通用、推理、代码等基准全面领先同级开源模型

TensorRT-LLM 为用户提供了易于使用的 Python API，用于定义大型语言模型 (LLM) 并构建包含最先进优化的 TensorRT 引擎，以便在 NVIDIA GPU 上高效执行推理。TensorRT-LLM 还包含用于创建执行这些 TensorRT 引擎的 Python 和 C++ 运行时的组件。

EchoMimicV2是阿里蚂蚁集团推出的半身人体AI数字人项目，基于参考图片、音频剪辑和手部姿势序列生成高质量动画视频，确保音频内容与半身动作的一致性。

FunClip 是一款开源的自动化视频剪辑工具，通过集成先进的 AI 技术，降低了视频剪辑的难度，使得非专业人士也能够轻松制作出专业水准的视频内容。

Gaussian-Splatting-CUDA镜像集成CUDA加速的高斯点云渲染框架，通过纯CUDA重构核心渲染管线实现10倍于原始实现的性能提升，支持实时高保真3D场景重建与渲染。支持cuda版本的高斯渲染的代码操作，并支持二次激光雷达开发

VoiceTransl是一站式离线AI视频字幕生成和翻译软件，从视频下载，音频提取，听写打轴，字幕翻译各个环节为翻译者提供便利。

Compshare云服务平台Genesis世界模型的上手与测试。详情可以参考：https://hermit.blog.csdn.net/article/details/144665610

混元视频模型lora一键训练，镜像内打包了标注，训练，和用于测试的comfyui，打包所有环境，支持上传图片一键训练

基于ComfyUI，支持当前最强的开源视频基础模型，目前支持t2v，之后会更i2v和v2v,镜像内置完整环境，包含bf16和fp8量化后占用更小的两种模型，并链接了插帧和超分功能，开箱即用

sovits svc项目的主分支，带干声分离和音频切割，打包了整套数据集制作工具，基本一键训练，开箱即用

HunyuanVideoGP镜像集成腾讯开源的视频生成大模型，通过时空分离注意力机制与多粒度控制技术实现文本/图像到高保真视频的端到端生成，支持动态场景构建与物理运动模拟，提供工业级视频创作解决方案与开箱即用部署

FLUX预装反推插件由弑迁士原创打造，已集成场景C4D渲染、一键反推、高清放大、LoRA自动加载等全套节点，开箱即用，支持ComfyUI本地显卡零门槛生图

Diffusion_Policy这是一种生成机器人行为的新方法，它将机**器人的视觉运动策略（visuomotor policy）表示为条件去噪扩散过程（conditional denoising diffusion process）。在 4 个不同的机器人操纵基准中的 15 个不同任务中对 Diffusion Policy 进行了基准测试**，发现它始终优于现有的最先进的机器人学习方法，平均提高了 46.9%。Diffusion Policy 可以学习动作分布得分函数的梯度（gradient of the action-distribution score），并在推理过程中通过一系列随机朗之文动力学（stochastic Langevin dynamics）步骤对该梯度场进行迭代优化。

Ai学术叫叫兽出品，必属精品！YOLOv3环境,数据集,代码,全套可,一键跑通，YOLOv3是目标检测领域经典单阶段算法，以Darknet-53为主干网络，通过多尺度预测在速度与精度间取得出色平衡，支持80类COCO目标实时识别，适用于安防、自动驾驶、工业质检等场景

RT-DETR镜像集成首个实时端到端目标检测框架，Ai学术叫叫兽出品，必属精品！RT-DETR环境,数据集,代码,全套可,一键跑通，通过混合编码器与查询去噪技术实现高精度实时检测，支持ResNet/DarkNet等多种骨干网络开箱即用部署

YOLOv6镜像集成美团开源的高效目标检测框架，Ai学术叫叫兽出品，必属精品！YOLOv6环境,数据集,代码,全套可,一键跑通，通过双向卷积（BiC）模块与锚点辅助训练（AAT）策略优化工业级实时检测精度，支持端到端部署与开箱即用

YOLOv9镜像集成新一代实时目标检测框架，Ai学术叫叫兽出品，必属精品！YOLOv9环境,数据集,代码,全套可,一键跑通，通过PGI可编程梯度信息与GELAN架构实现精度-速度-泛化性三重突破，支持端到端训练与开箱即用部署

YOLOv5镜像集成Ultralytics经典目标检测框架，Ai学术叫叫兽出品必属精品！完整提供环境配置、数据集与代码，通过CSP骨干网络与自适应锚框计算实现高精度实时检测，全套支持一键跑通，开箱即用。

ComfyUI-LTX-Video镜像集成Lightricks开源的视频生成工作流节点，通过ComfyUI可视化界面实现文本/图像到视频的端到端生成流程，支持动态运动控制与多参数精细化调节，提供开箱即用的节点式视频创作环境

YOLOv8镜像集成Ultralytics实时目标检测框架，Ai学术叫叫兽出品必属精品！完整提供环境配置、数据集与代码，通过无锚点设计及任务特定优化实现精度-速度平衡，全套支持一键跑通，开箱即用

UNet镜像集成经典医学图像分割架构，通过对称编码器-解码器结构与跳跃连接实现高精度像素级定位，支持端到端训练与轻量部署，适用于生物医学影像分析、工业缺陷检测等场景，提供PyTorch实现的开箱即用解决方案。

LLaMA-Factory 大模型训练环境，内置WebUI启动器和API启动器，以及常用的6B、7B、8B、9B模型。

QwQ-32B-Preview镜像集成高性能开源大语言模型预览版，基于320亿参数架构优化通用任务处理能力，支持128K长上下文推理与多语言交互，提供完整工具链及开箱即用部署方案，适用于学术研究与应用开发测试。

Qwen-Audio 是阿里云研发的大规模音频语言模型（Large Audio Language Model）。Qwen-Audio 可以以多种音频 (包括说话人语音、自然音、音乐、歌声）和文本作为输入，并以文本作为输出。

YOLOv10镜像集成最新实时目标检测框架，Ai学术叫叫兽出品必属精品！完整提供环境配置、数据集与代码，通过无NMS设计及整体-局部蒸馏技术实现端到端训练与精度-速度双提升，全套支持一键跑通，开箱即用。

OpenELM是由苹果公司开发的一款先进语言模型，通过一种新的层级缩放策略优化每个Transformer层的参数分配，从而提升模型的效率和准确性。OpenELM还提供了一个开放的训练和推理框架，包含数据集、训练日志和检查点等资源，支持研究的可重复性和透明性。 模型地址：https://huggingface.co/collections/apple/openelm-instruct-models-6619ad295d7ae9f868b759ca 项目地址：https://github.com/apple/corenet/tree/main/projects/openelm 官方报道：https://machinelearning.apple.com/research/openelm 论文链接：https://arxiv.org/abs/2404.14619

Phi-3-4k，Phi-3系列包含三个规模的模型，该模型经过了一个后期培训过程，其中包括指导遵循和安全措施的监督微调和直接偏好优化。当根据测试常识、语言理解、数学、代码、长上下文和逻辑推理的基准进行评估时，Phi-3-Medium-128k-Instruction在参数不到130亿的模型中展示了稳健和最先进的性能。

YuanLLM 模型，源2.0 是浪潮信息发布的新一代基础语言大模型，包括源2.0-102B，源2.0-51B和源2.0-2B。源2.0是在源1.0的基础上，利用更多样的高质量预训练数据和指令微调数据集，令模型在语义、数学、推理、代码、知识等不同方面具备更强的理解能力。 算法方面，源2.0提出并采用了一种新型的注意力算法结构：局部注意力过滤增强机制(LFA：Localized Filtering-based Attention)。LFA通过先学习相邻词之间的关联性，然后再计算全局关联性的方法，能够更好地学习到自然语言的局部和全局的语言特征，对于自然语言的关联语义理解更准确、更人性，提升了模型的自然语言表达能力，进而提升了模型精度。

Yi-LLM-9B-Coder镜像集成01.AI开源代码大语言模型，专为代码生成与程序理解优化，基于90亿参数架构与128K长上下文支持，在HumanEval基准测试中超越GPT-3.5，支持30+编程语言的高效推理与工程部署，提供开箱即用的代码补全及调试辅助服务

TransNormerLLM镜像集成首个基于线性注意力机制的开源大语言模型，通过门控线性注意力（GLA）架构替代传统Transformer，实现3倍训练加速与线性计算复杂度，支持128K长上下文推理，显著降低计算成本并提供开箱即用部署方案

MiniCPM-Chat镜像集成轻量级开源大语言模型，基于2B参数MoE架构与128K上下文窗口实现多模态交互（文本/图像），支持中英等30+语种的高效推理与移动端部署，在低资源场景下超越部分70B模型性能，提供开箱即用的Web交互界面

InternLM2-7B-Chat镜像集成上海AI实验室开源对话大语言模型，通过7B参数架构与128K上下文窗口优化长程对话一致性，专注智能体任务与多轮交互，支持低成本本地部署及XTuner微调工具链，提供开箱即用对话服务

Gemma-2-9b镜像集成谷歌轻量级开源大语言模型，基于Gemini同源技术构建，专注文本生成任务（问答/摘要/推理），通过90亿参数优化实现高性能与低资源消耗，支持笔记本到云环境的灵活部署，提供开箱即用的英文文本生成服务。

CharacterGLM-6B-Chat镜像集成清华大学开源的对话大语言模型，专注角色扮演与个性化交互，通过6B参数架构与128K上下文窗口实现长程角色一致性，支持多轮情感化对话与性格定制，预训练融合戏剧/文学角色数据

BlueLM-7B 是由 vivo AI 全球研究院自主研发的大规模预训练语言模型，参数规模为 70 亿。需要一个4090 GPU来完成运行，这里提供了一个Web端以供使用者二次开发

Index-1.9B-Chat镜像集成轻量级开源对话大语言模型，基于Index-1.9B模型经SFT与DPO对齐优化，预训练引入海量网络社区语料，显著增强趣味聊天能力与多轮交互表现，兼顾低资源部署与高响应速度，开箱即用。

Atom-7B镜像集成高性能轻量级开源大语言模型，基于2T高质量多语种数据预训练，具备高效推理与强泛化能力，支持中英双语任务处理及低成本本地部署，兼顾性能与资源效率，开箱即用。

YOLOv11镜像集成最新目标检测框架升级版，关注B站：Ai学术叫叫兽，跟着视频教程一分钟快速跑通，免费福利专为遥遥领先大家庭小伙伴提供，开箱即用。

DeepSeek-V2-Lite镜像提供高性能开源大语言模型服务，需双4090 GPU支持运行，集成完整Web交互界面供用户直接调用与二次开发，开箱即用。

FaceFusion 3.0.1镜像集成开源人脸融合与增强工具，支持图像/视频/直播流的高精度人脸交换、年龄性别编辑及清晰度修复，通过多线程优化与显存管理实现实时处理速度，提供简洁API与开箱即用的一键式本地部署方案。

MSST，更好用的干声分离以及去和声混响的项目，可以作为传统UVR的上位替代，并兼容UVR的模型，带webui，也可通过笔记本一键处理音频，简单且高效

3DGS镜像集成开源3D高斯点云渲染框架，通过高效可微栅格化技术实现实时的照片级场景重建与渲染，支持从稀疏图像生成高质量动态3D场景，在渲染速度与视觉保真度上超越传统神经辐射场方案，适用于虚拟现实、数字孪生及影视制作领域

MixVPR镜像集成全局特征聚合的位置识别模型，通过混合多尺度特征与自适应聚合技术提升复杂场景（如视角/光照变化）下的定位鲁棒性，支持端到端训练与轻量部署，适用于自动驾驶、机器人导航等视觉定位任务

这是一个基于 YOLOv5 v7.0 版本构建的 YOLO Docker 镜像，适用于 YOLOv5 v7.0版本的 AI 视觉处理任务。通过该镜像，用户可以轻松进行 图像分类、目标检测、目标跟踪、姿态识别、图像分割 等任务，该镜像支持以下操作： 模型训练（train）：在自定义数据集上训练 YOLO 模型。 模型验证（val）：验证模型性能，获得关键指标。 模型推理（inf）：对图像、视频流进行目标检测和分类。 部署优化（opt）：通过 TensorRT 等工具，优化 GPU 加速推理。

VNC可视化镜像专为具身智能从业者提供优刻得远程可视化服务，支持无物理显示设备的跨平台图形界面交互，可基于此完成定制化开发与发布。

LLaMAFactory镜像提供一站式开源大语言模型微调框架，支持全参数/部分参数/QLoRA等高效微调方法，兼容LLaMA、BLOOM等主流架构，通过无需代码的Web界面简化训练流程，显著降低模型定制门槛，开箱即用。内置Qwen2.5-7B-Instruct和alpaca_zh供测试

Ollama-0.4.1镜像提供轻量级本地大语言模型运行框架，支持一键拉取与运行Llama2、CodeLlama、Mistral等开源模型（GGUF格式），通过类Docker的CLI实现零配置本地部署与交互式对话，开箱即用。

AniTalker镜像集成清华大学开源的2D动画角色口型同步工具，通过轻量级模型实现实时语音驱动口型生成与表情控制，支持静态图/动态视频输入，提供高精度唇形匹配与低延迟渲染，适用于动画制作及虚拟主播场景，开箱即用。

这是一个基于 YOLOv8 构建的 YOLO Docker 镜像，适用于 YOLOv8 及以上版本的 AI 视觉处理任务。通过该镜像，用户可以轻松进行 图像分类、目标检测、目标跟踪、姿态识别、图像分割 等任务，该镜像支持以下操作： 模型训练（train）：在自定义数据集上训练 YOLOv8 模型。 模型验证（val）：验证模型性能，获得关键指标。 模型推理（inf）：对图像、视频流进行目标检测和分类。 部署优化（opt）：通过 TensorRT 等工具，优化 GPU 加速推理。