Find the right model.
Download more easily.

FrogNano 是微软开发的紧凑型仓库级代码生成智能体，基于 Qwen/Qwen3.5-4B 开发。通过强化学习在约 1,500 个合成软件工程任务上进行后训练，使用轻量级五工具 Leaf 框架运行。模型主要用于软件工程研究和人类监督下的开发工作。 根据自然语言任务描述和现有源代码解决仓库级软件问题 代码库导航、跨文件代码理解、调试、修复 bug 和实现功能

TabFM 1.1.0 (PyTorch) TabFM 是 Google Research 开发的零样本表格基础模型，支持对结构化表格数据进行分类和回归任务，适用于包含数值和类别列的混合数据。无需微调或超参数搜索，训练样本作为上下文传入，预测通过单次前向传播完成。 支持二分类和多分类任务，最多 10 个类别

Wan2.1是一个大规模视频生成开源模型套件，基于主流扩散变换器（Diffusion Transformer）架构开发。该模型支持多种生成任务，包括文本到视频（Text-to-Video）、图像到视频（Image-to-Video）、视频编辑（Video Editing）、文本到图像（Text-to-Image）以及视频到音频（Video-to-Audio）生成。Wan2.1是首个能够同时生成中文和英文文字的视频模型，在视觉文字生成方面具有显著优势。

Wan2.1 是一个开源的大规模视频生成模型套件，基于主流的扩散变换器范式设计。该模型支持文本到视频、图像到视频、视频编辑、文本到图像以及视频到音频等多种生成任务。 Wan2.1 在多个基准测试中表现优于现有开源模型和闭源商业解决方案。T2V-1.3B 模型仅需 8.19 GB 显存即可运行，兼容几乎所有消费级 GPU，在 RTX 4090 上约 4 分钟可生成 5 秒 480P 视频。该模型是首个能够生成中文和英文文字的视频模型。Wan-VAE 可对任意长度的 1080P

Wan2.2是一个大规模视频生成模型系列，支持多种生成任务：文本到视频、图像到视频、文本图像到视频、语音到视频以及角色动画和替换。 有效MoE架构：采用专家混合架构，将去噪过程按时间步分离，由专门的专家模型处理，从而在保持相同计算成本的情况下增大模型总容量。A14B系列采用双专家设计，高噪声专家处理早期阶段（关注整体布局），低噪声专家处理后期阶段（细化视频细节）。每个专家约14B参数，总计27B参数，但每步仅激活14B参数。

原仓库任务类型：其他模型。具体能力、安装条件及许可请查阅作者说明。

Wan-Animate-2：推动角色动画模型的应用边界 Wan-Animate-2是一个端到端的角色动画框架，通过重新设计的Diffusion Transformer直接消费驱动视频，生成高保真的角色动画。 该模型能够实现高保真运动生成和强身份保持，无需中间运动提取器。此外，还支持文本驱动的视角控制，可将输出相机视角与驱动视频解耦。同时提供Wan-Animate-2-Lite高效变体，将推理延迟降低至实时阈值，适用于流式角色动画。

当前模型的贡献者未提供更加详细的模型介绍。模型文件和权重，可浏览“模型文件”页面获取。 您可以通过如下git clone命令，或者ModelScope SDK来下载模型 如果您是本模型的贡献者，我们邀请您根据 模型贡献文档 ，及时完善模型卡片内容。

当前模型的贡献者未提供更加详细的模型介绍。模型文件和权重，可浏览“模型文件”页面获取。 您可以通过如下git clone命令，或者ModelScope SDK来下载模型 如果您是本模型的贡献者，我们邀请您根据 模型贡献文档 ，及时完善模型卡片内容。

Step-Video-T2V 是一个先进的文本到视频预训练模型，能够根据文本提示生成高质量视频。 模型参数规模为 300 亿，支持生成最长 204 帧的视频。采用深度压缩视频 VAE 技术，实现 16×16 空间压缩和 8×时间压缩。使用双语文本编码器支持英文和中文提示。模型架构基于 DiT，采用 3D 全注意力机制，包含 48 层，每层 48 个注意力头，每头维度 128。引入 AdaLN-Single 时间步条件注入、QK-Norm 训练稳定化技术以及 3D RoPE 位

Step-Audio-Tokenizer Step-Audio-Tokenizer是Step-Audio LLM的语音tokenizer组件。Step-Audio LLM是业界首个1300亿参数的类人统一端到端模型，集成了多模态语音理解和生成能力。 该模型支持以下核心能力：语音理解、语音生成、歌声合成、工具使用、角色扮演、多语言及方言的理解与合成。

Step1X-3D是一个用于生成高保真且可控的带纹理3D资产的开放框架。该模型旨在解决3D生成领域的数据稀缺、算法限制和生态系统碎片化问题。 生成高保真几何和多样化纹理贴图的3D资产，同时保持表面几何与纹理映射之间的出色对齐。支持多种风格的3D资产生成，包括卡通风格、草图风格和照片级真实感风格。 采用两阶段3D原生架构：混合VAE-DiT几何生成器与SD-XL纹理合成模块。几何生成器使用基于感知器的潜在编码和锐利边缘采样来保留细节，产生水密的TSDF表示。纹理合成模块通过几何

Qwen2.5-32B-DialogueReason 是一个基于 Qwen2.5-32B-Base 构建的对话推理模型，通过基于规则的强化学习训练，使用 Open-Reasoner-Zero 数据进行训练。 基于 Qwen2.5-32B-Base 作为基础模型。采用基于规则的强化学习实现对话推理。支持动态智能体初始化以适应各种场景。支持灵活的环境配置以设置特定任务上下文。支持多轮对话推理以逐步解决问题。 输入：用户问题或任务指令。输出：根据任务格式要求的响应，如戏剧形式的详细

Step-Audio-AQAA：全端到端表达性大型音频语言模型 Step-Audio-AQAA是一个全端到端的大型音频语言模型，专门用于音频查询-音频回答任务。它直接处理音频输入并生成自然、准确的语音响应，无需依赖传统的语音识别和语音合成模块，消除了级联错误并简化了系统架构。 全端到端音频交互：从原始音频输入直接生成语音输出，无需语音识别和语音合成中间环节。细粒度语音控制：支持对情感语调、语速等语音特征进行句子级别调整。多语言与方言支持：涵盖中文（包括四川话、粤语）、英语、日

这是NextStep-1的改进图像分词器，采用微调解码器和冻结编码器。解码器优化提升了性能，同时保持了稳健的重建质量。我们推荐将此图像分词器与NextStep-1模型配合使用以获得最佳效果。 图像分词器，用于将图像编码为潜在表示，或从潜在表示重建图像。 将图像转换为离散或连续的潜在token表示，并能从潜在表示重建图像。支持高分辨率图像处理（256×256）。

Step-Audio 2是一款端到端多模态大型语言模型，专为工业级音频理解和语音对话而设计。 高级语音和音频理解：通过理解并推理语义信息、副语言信息和非语音信息，在自动语音识别和音频理解方面表现出色。 智能语音对话：实现自然且智能的交互，能够根据不同对话场景和副语言信息做出上下文适当的回应。

Step-Audio 2 是端到端多模态大语言模型，专为工业级音频理解和语音对话而设计。 高级语音和音频理解：通过理解并推理语义信息、副语言信息和非语音信息，在自动语音识别和音频理解方面表现出色。 智能语音对话：实现自然且智能的交互，根据不同对话场景和副语言信息提供上下文适当的回应。

Yi-Coder是一系列开源代码语言模型，在参数少于100亿的情况下提供业界领先的编程能力。 长上下文理解：最大上下文长度达128K tokens Yi-Coder-9B-Chat在LiveCodeBench中达到23%的通过率，是唯一参数量在10B以下且超过20%的模型。表现优于DeepSeekCoder-33B-Ins（22.3%）、CodeGeex4-9B-all（17.8%）、CodeLLama-34B-Ins（13.3%）和CodeQwen1.5-7B-Chat（1