AI Model
- AI Model Awesome 总索引笔记AI Model AwesomeLLM 与开放模型 · 图像生成 · 视频生成 · OCR 与文档理解 · ASR / STT · TTS · 音乐生成 · VLM / MLLM / Vision · Agent 与 Coding · Embedding 与 Reranker打开：/notes/ai/model/awesome
- LLM 与开放模型笔记LLM Awesome| Date | Model Series | Size | Context Window | Creator | Notes | · | 2026-04-07 | GLM 5.1 | 754B MoE | 200K | Zhipu AI | 大规模稀疏 MoE |打开：/notes/ai/model/llm/awesome
- 图像生成笔记Image Generation Awesome图像生成、图像编辑、修复、放大和扩散模型资源索引。 · Image Generation / Text-to-Image（T2I） · Image Editing / Image-to-Image（I2I） · Image Inpainting / Outpainting打开：/notes/ai/model/image/awesome
- 视频生成笔记Video Generation Awesome视频生成、视频编辑、图像到视频和视频修复资源索引。 · 查证截至 2026-10-06。重点补充 2026-02 以后的模型，同时保留 1 月关键版本。日期优先采用官方发布记录；上传时间与正式公告日分开记录，不把仓库创建日当成模型发布日。 · T2V：Text-to-Video，文本生成视频。打开：/notes/ai/model/video/awesome
- OCR笔记OCR AwesomeOCR、文档解析、版面分析、表格和公式识别资源索引。 · | release | model | params | · | 2026-02 | GLM-OCR | 0.9B | · | 2026-01 | DeepSeek-OCR-2-3B | 3B |打开：/notes/ai/model/ocr/awesome
- ASR / STT笔记ASR AwesomeASR（Automatic Speech Recognition）和 STT（Speech-to-Text）模型、工具与评估资源索引。 · STT / Speech-to-Text / ASR / Automatic Speech Recognition / Speech Recognition。打开：/notes/ai/model/asr/awesome
- TTS笔记TTS AwesomeTTS - Text-to-Speech - 语音合成 · 常见场景 · Voice agent：关注 streaming、time to first audio、可打断与并发。 · 朗读/旁白：关注自然度、长文本稳定性、发音控制和段落一致性。打开：/notes/ai/model/tts/awesome
- VAD笔记VAD AwesomeVAD - Voice Activity Detection - 语音活动检测 · 对音频帧判断 speech / non-speech，常用于过滤静音、切分 ASR 输入、触发录音和辅助 endpointing。 · VAD 只判断“是否有人声”，不理解一句话是否说完；语音 Agent 通常还要结合 silence/hangover、STT endp...打开：/notes/ai/model/vad/awesome
- 音乐生成笔记Music Generation Awesome音乐生成、歌曲生成和实时音乐模型资源索引。 · Music Generation：音乐生成。 · Song Generation：歌曲生成。 · google/magenta-realtime · 实时音乐生成方向。 · MusicFX DJ打开：/notes/ai/model/music/awesome
- VLM / MLLM / Vision笔记VLM Awesome视觉语言模型、多模态大语言模型和视觉任务资源索引。 · VLM - Vision Language Model。 · MLLM - Multimodal Large Language Model。 · 常见结构：视觉编码器 + Projector / Vision-Language Adapter + Language Model。打开：/notes/ai/model/vlm/awesome
- Agent 与 Coding笔记Agent AwesomeComputer Agent、工具调用、编码 Agent 和 Agent 评测资源索引。 · Computer Agent：观察屏幕、理解 UI、规划并执行鼠标键盘操作。 · Qwen2.5-VL 72B。 · UI-TARS。 · web-infra-dev/Midscene打开：/notes/ai/model/agent/awesome
- Embedding 与 Reranker笔记Embedding 与 Reranker Awesome文本、视觉向量模型和 Cross-Encoder Reranker 资源索引。 · | model | size/B | dim | context | notes | · | text-embedding-3-small | - | 1536 | 8191 | OpenAI、MRL |打开：/notes/ai/model/embedding/awesome
- 图像 Prompt笔记Image Prompt Awesome图像生成 Prompt 组织方式、提示词生成器和常用控制词索引。 · 人物描述：主体、年龄、服装、身份和动作。 · 场景构建：地点、背景、构图、天气、时间和物件。 · 摄影参数：相机、镜头、焦段、光圈、景深和画面比例。 · 氛围强化：色彩、光线、材质、情绪和风格。打开：/notes/ai/model/prompt/awesome
- 决策模型笔记Decision ModelDecision Model / 决策模型 · Classifer Model / 分类模型 · type · choice / 选择 · 归类与分流 · score / 评分 · 程度评估与分级 · noul / 是否 · 单一事实确认 · 参考打开：/notes/ai/model/decision
- DINO笔记DINOSelf-Supervised Vision Transformers with DINO · 2021-04 · https://arxiv.org/abs/2104.14294 · facebookresearch/dino · DINOv2: Learning Robust Visual Features without Supervision打开：/notes/ai/model/dino
- YOLO笔记YoloYOLO You Only Look Once · 2016 · by Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi · YOLOv3 · YOLOv4 · AlexeyAB/darknet打开：/notes/ai/model/yolo
- Stable Diffusion笔记Stable Diffusionstabilityai/stable-diffusion-3-medium · Stability-AI/generative-models · MIT · Generative Models by Stability AI · stabilityai/stable-diffusion-2-1打开：/notes/ai/model/stable-diffusion
我训练的模型
- Yolo 识别和切分 Poker
- QWen 拆分公司名字
- 唤醒词语, tflite micro
关联信息
反向链接、本文链接的其他页面和外部资料。
站内链接
- Agent Awesome笔记 · Agent 与 Coding
Computer Agent、工具调用、编码 Agent 和 Agent 评测资源索引。 · Computer Agent：观察屏幕、理解 UI、规划并执行鼠标键盘操作。 · Qwen2.5-VL 72B。 · UI-TARS。 · web-infra-dev/Midscene
- AI Model Awesome笔记 · AI Model Awesome 总索引
LLM 与开放模型 · 图像生成 · 视频生成 · OCR 与文档理解 · ASR / STT · TTS · 音乐生成 · VLM / MLLM / Vision · Agent 与 Coding · Embedding 与 Reranker
- ASR Awesome笔记 · ASR / STT
ASR（Automatic Speech Recognition）和 STT（Speech-to-Text）模型、工具与评估资源索引。 · STT / Speech-to-Text / ASR / Automatic Speech Recognition / Speech Recognition。
- Decision Model笔记 · 决策模型
Decision Model / 决策模型 · Classifer Model / 分类模型 · type · choice / 选择 · 归类与分流 · score / 评分 · 程度评估与分级 · noul / 是否 · 单一事实确认 · 参考
- DINO笔记 · DINO
Self-Supervised Vision Transformers with DINO · 2021-04 · https://arxiv.org/abs/2104.14294 · facebookresearch/dino · DINOv2: Learning Robust Visual Features without Supervision
- Embedding 与 Reranker Awesome笔记 · Embedding 与 Reranker
文本、视觉向量模型和 Cross-Encoder Reranker 资源索引。 · | model | size/B | dim | context | notes | · | text-embedding-3-small | - | 1536 | 8191 | OpenAI、MRL |
- Image Generation Awesome笔记 · 图像生成
图像生成、图像编辑、修复、放大和扩散模型资源索引。 · Image Generation / Text-to-Image（T2I） · Image Editing / Image-to-Image（I2I） · Image Inpainting / Outpainting
- Image Prompt Awesome笔记 · 图像 Prompt
图像生成 Prompt 组织方式、提示词生成器和常用控制词索引。 · 人物描述：主体、年龄、服装、身份和动作。 · 场景构建：地点、背景、构图、天气、时间和物件。 · 摄影参数：相机、镜头、焦段、光圈、景深和画面比例。 · 氛围强化：色彩、光线、材质、情绪和风格。
- LLM Awesome笔记 · LLM 与开放模型
| Date | Model Series | Size | Context Window | Creator | Notes | · | 2026-04-07 | GLM 5.1 | 754B MoE | 200K | Zhipu AI | 大规模稀疏 MoE |
- Music Generation Awesome笔记 · 音乐生成
音乐生成、歌曲生成和实时音乐模型资源索引。 · Music Generation：音乐生成。 · Song Generation：歌曲生成。 · google/magenta-realtime · 实时音乐生成方向。 · MusicFX DJ
- OCR Awesome笔记 · OCR
OCR、文档解析、版面分析、表格和公式识别资源索引。 · | release | model | params | · | 2026-02 | GLM-OCR | 0.9B | · | 2026-01 | DeepSeek-OCR-2-3B | 3B |
- Stable Diffusion笔记 · Stable Diffusion
stabilityai/stable-diffusion-3-medium · Stability-AI/generative-models · MIT · Generative Models by Stability AI · stabilityai/stable-diffusion-2-1
- TTS Awesome笔记 · TTS
TTS - Text-to-Speech - 语音合成 · 常见场景 · Voice agent：关注 streaming、time to first audio、可打断与并发。 · 朗读/旁白：关注自然度、长文本稳定性、发音控制和段落一致性。
- VAD Awesome笔记 · VAD
VAD - Voice Activity Detection - 语音活动检测 · 对音频帧判断 speech / non-speech，常用于过滤静音、切分 ASR 输入、触发录音和辅助 endpointing。 · VAD 只判断“是否有人声”，不理解一句话是否说完；语音 Agent 通常还要结合 silence/hangover、STT endp...
- Video Generation Awesome笔记 · 视频生成
视频生成、视频编辑、图像到视频和视频修复资源索引。 · 查证截至 2026-10-06。重点补充 2026-02 以后的模型，同时保留 1 月关键版本。日期优先采用官方发布记录；上传时间与正式公告日分开记录，不把仓库创建日当成模型发布日。 · T2V：Text-to-Video，文本生成视频。
- VLM Awesome笔记 · VLM / MLLM / Vision
视觉语言模型、多模态大语言模型和视觉任务资源索引。 · VLM - Vision Language Model。 · MLLM - Multimodal Large Language Model。 · 常见结构：视觉编码器 + Projector / Vision-Language Adapter + Language Model。
- Yolo笔记 · YOLO
YOLO You Only Look Once · 2016 · by Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi · YOLOv3 · YOLOv4 · AlexeyAB/darknet