AI 模型大全

Stability 开源 SD3.5，MMDiT 架构，文字渲染与多主题理解大幅提升，2B/8B 覆盖不同显存档位。

Stable Diffusion 1.5 是史上最流行的开源文生图模型，海量 LoRA 与模型生态，至今仍是社区主力。

阿里开源全模态模型 Qwen2.5-Omni，文本、图像、音频、视频实时理解与生成，端侧可跑，Apache-2.0 商用。

Stability 开源 Stable Fast 3D，单张图片 0.5 秒生成 3D 模型，快速高质量，本地可跑。

阿里开源文生图模型 Qwen-Image，20B MoE，中文理解与高质量写实出图，支持多图与编辑，国产开源强将。

Google 开源 PaliGemma，基于 Gemma 的视觉语言模型，3B 轻量，支持图文问答、检测与分割，端侧友好。

微软 Florence-2 统一视觉模型，用文本指令完成检测、分割、描述、OCR 等任务，小体积高效，MIT 商用。

智谱开源 CogVLM 视觉语言模型，17B 参数在视觉问答与理解上表现优秀，中文图文理解强。

InternVL 是开源视觉语言模型，中文视觉问答与图文理解强，多尺寸覆盖，学术与商用皆可。

Suno 开源 TTS 模型 Bark，可生成多语种语音、音乐、音效与「非语言」声音，情绪表达丰富。

Fish Speech 开源多语言 TTS，15 秒音频即可克隆音色，中文效果好，社区热度高。

阿里开源语音生成模型 CosyVoice，零样本语音克隆、多语种支持，音色自然，Apache-2.0 可商用。

百度开源的 ERNIE-ViLG 文生图模型，基于 PaddlePaddle 生态，中文与国风生成能力好，研究友好。

PixArt-Σ 是高效的文生图 DiT 模型，低成本训练、高质量输出，支持 4K 分辨率，开源可商用。

快手开源可图 Kolors，14B 文生图模型，中文理解优秀、写实画质高，Apache-2.0 免费商用，可本地部署。

AnimateDiff 将文生图模型变成动画生成器，对 Stable Diffusion 生态无缝兼容，可本地生成高质量短视频。

Lightricks 开源文生视频模型 LTX-Video，DiT 架构，低延迟生成，13B 高质量版本，消费级显卡可跑。

腾讯开源文生视频大模型 HunyuanVideo，13B 参数生成高分辨率视频，中文语义理解与运动质量优秀。

智谱开源文生视频模型 CogVideoX，2B/5B 参数本地可跑，中文提示词友好，是国产开源视频生成代表。

Stability AI 开源的音乐与音效生成模型，根据文本生成音频片段、旋律与音效，可本地运行，适合研究与音乐创作。