模型找得到，
下载更顺手。

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。

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。

Visual-ERM是一个用于视觉到代码任务的多模态生成式奖励模型。它直接在渲染的视觉空间中评估输出，并产生细粒度、可解释且任务无关的差异反馈，用于结构化视觉重建。 现有视觉到代码任务的奖励通常分为两类：文本奖励（如编辑距离或TEDS）忽略重要的视觉线索，如布局、间距、对齐和样式；视觉嵌入奖励（如DINO相似度）通常粗粒度，容易受到奖励黑客攻击。 Visual-ERM直接比较真实图像与模型预测产生的渲染图像，然后生成结构化差异注释。这些注释可转换为奖励信号或用于反思优化。

GeometryCrafter是一种从开放世界视频中估计时间一致、高质量点图的新方法，可促进3D/4D重建、基于深度的视频编辑或生成等下游应用。 从视频中估计时空一致的点图，支持3D/4D重建和深度视频编辑生成等应用。 标准推理：约1.27 FPS，需要约40GB显存（110帧，1024x576分辨率）

[](https://arxiv.org/abs/2507.20939) [](https://arc.tencent.com/en/ai-demos/multimodal) [](https://github.com/TencentARC/ARC-Hunyuan-Video-7B/tree/arc-qwen-video)

[](https://arxiv.org/abs/2507.20939) [](https://arc.tencent.com/en/ai-demos/multimodal) [](https://github.com/TencentARC/ARC-Hunyuan-Video-7B/tree/arc-qwen-video)

DSR Suite（基于Qwen2.5-VL-7B） DSR Suite是一个动态空间推理（Dynamic Spatial Reasoning，DSR）模型，旨在提升视觉语言模型在4D时空维度上理解物体几何和关系变化的能力。该模型能够从视频中推理物体在3D空间中随时间的动态演变过程。 动态空间推理：能够推理物体几何形状和空间关系随时间的演化

MotionCrafter: 密集几何与运动重建的4D VAE MotionCrafter是一个基于视频扩散的框架，能够从单目视频中联合重建4D几何并估计密集物体运动。该框架预测每个帧在共享世界坐标系中的密集点图和场景流，无需后处理优化。 从单目视频中联合重建4D几何和估计密集物体运动

Microsoft Phi-Ground-Any-4B Phi-Ground-Any-4B是Phi-Ground模型系列之一，基于microsoft/Phi-3.5-vision-instruct微调而来，输入分辨率固定为1680x1008。 输入格式要求严格，包括固定的图像分辨率、指令优先顺序和系统提示。

BitNet Embeddings 是由微软 BitNet 团队开发的多语言文本嵌入模型系列。该模型采用仅解码器架构，使用最后 token 池化和 L2 归一化来生成密集文本嵌入。可广泛应用于文本检索、聚类、语义相似度、分类、双语文本挖掘和重排序等任务。在公开基准测试中表现具有竞争力，同时保持出色的推理和存储效率。 | 模型版本 | 权重类型 | 参数数量 | 嵌入维度 | 最大 Token 数 | MTEB v2 平均分 |

BitNet Embeddings 是由微软 BitNet 团队开发的多语言文本嵌入模型系列。该模型采用仅解码器架构，使用最后 token 池化和 L2 归一化来生成密集文本嵌入。可广泛应用于文本检索、聚类、语义相似度、分类、双语文本挖掘和重排序等任务。在公开基准测试中表现具有竞争力，同时保持出色的推理和存储效率。 | 模型版本 | 权重类型 | 参数量 | 嵌入维度 | 最大 Token 数 | MTEB v2 平均分 |

Mixtral-8x7B是一个预训练的生成式稀疏混合专家模型（ Sparse Mixture of Experts），属于指令微调版本。 Mixtral-8x7B在大多数测试基准上优于Llama 2 70B。 模型需要遵循特定的指令格式。模板定义如下：

Mixtral-8x22B-Instruct-v0.1 Mixtral-8x22B-Instruct-v0.1是Mixtral-8x22B-v0.1的指令微调版本。 支持函数调用（Function Calling）功能。

Mistral-Nemo-Instruct-2407 是一个大语言模型（LLM），基于 Mistral-Nemo-Base-2407 进行指令微调。由 Mistral AI 与 NVIDIA 联合训练，在参数规模相近或更小的模型中表现优异。 支持 128k 上下文窗口训练。训练数据包含大量多语言和代码数据。可作为 Mistral 7B 的直接替代方案。支持函数调用功能。 Transformer 模型，包含 40 层。隐藏维度为 5120，头维度为 128，前馈隐藏维度为 14

模型开发者：Mistral AI团队 Mistral Small 3是一款参数为24B的小型大语言模型，定位低于70B参数级别。该模型是指令微调版本，适用于快速响应的对话代理、低延迟函数调用、通过微调构建领域专家模型，以及为爱好者和处理敏感数据的组织提供本地推理服务。 多语言支持：支持数十种语言，包括英语、法语、德语、西班牙语、意大利语、中文、日语、韩语、葡萄牙语、荷兰语和波兰语。

Mistral-Nemo-Instruct-FP8-2407 大型语言模型（LLM），基于Mistral-Nemo-Base-2407的量化指令微调版本 在相同或更小规模的模型中表现显著优异。支持128k上下文窗口，训练数据包含大量多语言和代码数据。可作为Mistral 7B的直接替代品。

Magistral Small 1.0 基于 Mistral Small 3.1 (2503) 构建，增加了推理能力，经过 Magistral Medium 轨迹的监督微调和强化学习训练，是一个拥有 24B 参数的小型高效推理模型。 推理能力：能够在给出答案前进行长链推理。 多语言支持：支持数十种语言，包括英语、法语、德语、希腊语、印地语、印尼语、意大利语、日语、韩语、马来语、尼泊尔语、波兰语、葡萄牙语、罗马尼亚语、俄语、塞尔维亚语、西班牙语、土耳其语、乌克兰语、越南语、阿拉