模型找得到，
下载更顺手。

Brainμ-Spike：脉冲相机影像重建 北京大学余肇飞团队与北京智源人工智能研究院（BAAI）联合开展面向 Brainmu 模型微调的脉冲相机影像重建研究。 根目录权重对应脉冲重建卷积模块。基础大模型和 LoRA 权重暂未发布；完整生成流程需要另行准备这两部分权重。代码来源与许可见 LICENSE 和 NOTICE。

EVEv2是改进的无编码器视觉语言模型系列。该研究系统分析了使用预训练视觉编码器、离散分词器和从零训练的极简视觉层的视觉语言模型之间的性能差距，并开发了与主流基于编码器的模型相竞争的无编码器策略。 无编码器视觉语言模型具有结构简洁和高效部署的优势。EVEv2通过以下方式提升性能：适当分解并在统一模型中层次化关联视觉和语言，减少模态间的干扰；采用精心设计的训练策略实现有效优化。该模型展现出优异的数据效率和强大的视觉推理能力。

RoboBrain 是一个用于机器人操作的统一大脑模型，支持从抽象到具体的任务处理。该模型发表于 CVPR 2025。 基础规划模型：在阶段1-2使用通用数据集训练，阶段3使用机器人规划数据集训练，用于规划预测。 Affordance 模型 (A-LoRA)：基于基础规划模型，阶段4使用 Affordance 数据集进行 LoRA 训练，用于预测物体的可用性。

RoboBrain：用于机器人操作的统一大脑模型 本模型是一个统一的机器人操作大脑模型，能够从抽象概念到具体操作进行推理和预测。 基础规划模型：在第1-2阶段使用通用数据集训练，第3阶段使用机器人规划数据集训练，用于规划预测。

名称 Name 任务 Task 语言 Language(s) 模型 Model Github AltCLIP text-image representation 中英文 Chinese&English CLIP FlagAI 简介 Brief Introduction

Matroyshka Re-Ranker 文本重排序模型，用于提升搜索结果相关性。 输出：按相关性排序的文档列表及对应分数

Video-XL-2 是一款视频理解大模型。 提供两种效率优化策略：基于分块的预填充（chunk-based prefill）和双层键值状态解码（bi-level kvs decoding）。用户可根据需求灵活选择。 推理代码仍在更新中。可通过 huggingface-cli 使用 "--include '*.py'" 参数仅更新推理代码，避免下载整个模型。

OmniGen2 是一个强大的多模态生成模型，能够根据文本提示生成图像、基于指令编辑图像，并支持上下文生成功能。 视觉理解：继承自 Qwen-VL-2.5 基础模型的强大图像内容理解和分析能力。 文生图：根据文本提示生成高保真、美观的图像。

Stage1_and_Stage2_Weights 是 Video-XL-2 前两个训练阶段的配套权重，用于初始化动态 Token 合成（DTS）模块并完成视觉与文本空间的跨模态对齐。 仓库包含第一阶段 DTS 权重和第二阶段 MLP 权重，供 Video-XL-2 训练或复现实验使用。 这些是中间组件权重，不是完整视频理解模型；不能单独完成视频问答，需要配合 Video-XL-2 主模型、代码和后续阶段权重。

Video-XL-2-Stage3 是 Video-XL-2 超长视频理解模型第三阶段训练得到的检查点，用于视频内容理解、问答和后续阶段训练。 Video-XL-2 通过视觉编码器、动态 Token 合成（DTS）和语言模型压缩并理解长视频。第三阶段引入更大规模、高质量的图像与视频描述数据，形成初步视觉理解能力。 这是阶段性训练检查点，不等同于最终完整版本；运行时需要 Video-XL-2 项目代码、对应配置、分词器和 GPU 环境。

ShareRobot-Bench 是 RoboBrain/ShareRobot 生态中的机器人评测基准，用于评估可供性（affordance）理解和轨迹预测等能力。 仓库包含 affordance 与 trajectory 两类评测资源，可用于机器人视觉理解和操作规划的测试与比较。 这是评测数据与基准资源，不是可独立运行的生成模型；需要配合相应模型、评测脚本和任务配置使用。

Emu3.5：原生多模态模型是通用世界学习器 Emu3.5 是一个通用多模态预测模型，支持交错的图像文本生成和单图像生成任务。Emu3.5-Image 是专注于文本到图像和任意图像到图像任务的版本，在这些场景下能提供最佳性能。 统一世界建模：联合预测视觉和语言的下一状态，实现连贯的世界建模和生成。端到端预训练：使用统一的下一个token预测目标对交错视觉语言序列进行训练。超大规模预训练：基于超过十万亿个来自视频帧和转录本的交错token进行预训练，捕捉时空结构。原生的多模态输

Emu3.5：原生多模态模型是世界学习者 Emu3.5是一个通用多模态预测模型，支持交错的图像-文本生成和单图像生成（T2I/X2I）任务。Emu3.5-Image是专注于T2I/X2I任务的模型版本，在这些场景下能提供最佳性能。 统一世界建模：跨视觉和语言联合预测下一状态，实现连贯的世界建模和生成。

Emu3.5：原生多模态模型是世界学习者 Emu3.5是一个通用多模态预测模型，支持交错的图像-文本生成和单图像生成（T2I/X2I）任务。Emu3.5-Image是专注于T2I/X2I任务的模型版本，在这些场景下可获得最佳性能。 统一世界建模：跨视觉和语言联合预测下一状态，实现连贯的世界建模和生成。

RoboBrain-Dex 是面向机器人灵巧操作的视觉-语言-动作（VLA）模型，利用人类第一视角数据学习从视觉观察和语言指令到动作的映射。 用于灵巧手操作、动作理解与机器人任务研究；仓库提供模型权重、配置及预处理文件。 需要配套的 RoboBrain-Dex 推理代码、视频或视觉预处理、机器人动作空间配置和 GPU 环境，不能只下载权重后直接使用。

Motion_Dynamic_Model 是 RoboBrain-Dex 体系中的动作动态辅助模块，用于帮助灵巧操作模型学习和表达连续动作变化。 面向机器人灵巧操作与人类第一视角数据训练流程，为 RoboBrain-Dex 提供动作动态相关能力。 该仓库是配套模块或权重，不是可独立对话、生成图片或直接控制机器人的完整应用模型；需要结合 RoboBrain-Dex 项目代码、配置和其他权重使用。

SegGPT是一个通用分割模型，专门用于在上下文中分割一切。该模型能够通过单个模型完成任意分割任务，包括物体实例分割、物质分割、部件分割、轮廓分割和文本分割。 该模型支持图像和视频的上下文推理分割。评估范围涵盖少样本语义分割、视频目标分割、语义分割和全景分割任务。实验结果表明，模型在域内和域外目标分割上均表现出色，无论从定性还是定量角度都展现了强大的分割能力。 输入为图像或视频数据。输出为相应的分割结果。

SegGPT 是一个用于图像分割的模型，采用纯解码器架构的 Transformer，能够根据输入图像、提示图像及其对应的提示掩码生成分割掩码。 该模型支持一次分割（one-shot）图像分割任务。在 COCO-20 数据集上达到 56.1 mIoU，在 FSS-1000 数据集上达到 85.6 mIoU。 输入：待分割的图像、提示图像、提示图像对应的分割掩码