模型部署教程

PaddleOCR-VL-vLLM-OpenAI-API 是一款先进、高效的文档解析模型，专为文档中的元素识别设计。其核心组件为 PaddleOCR-VL-0.9B。

Glyph是一个通过视觉文本压缩缩放上下文长度的框架。 Glyph 没有扩展基于标记的上下文窗口，而是将长文本序列渲染为图像并使用视觉语言模型 （VLM） 对其进行处理。

PaddleOCR-VL 是一个针对文档解析的 SOTA 和资源高效的模型。其核心组件是 PaddleOCR-VL-0.9B，这是一个紧凑而强大的视觉语言模型（VLM）。

DeepSeek-OCR 是深度求索（DeepSeek）于 2025 年 10 月 20 日开源的一款革命性 OCR 模型，其核心创新在于提出了上下文光学压缩的技术。

SAIL-VL2 是由抖音 SAIL 团队与新加坡国立大学 LV-NUS 实验室联合推出的一个多模态大模型，它在保持较小参数规模的同时，实现了媲美甚至超越部分大规模模型的性能。

Qwen3-VL 是迄今为止 Qwen 系列中最强大的视觉语言模型。 这一代产品全面升级：卓越的文本理解和生成、更深层次的视觉感知和推理、扩展的上下文长度、增强的空间和视频动态理解。

本镜像基于 ComfyUI 进行部署，已经下载了Wan2.2-Animate-14B动作模仿和人物替换模型，下面将带您快速了解本模型的基本使用

iFLYTEK Spark Chemistry-X1-13B 是由 iFLYTEK 团队开发的化学专业大型语言模型。

阿里巴巴旗下 Wan 团队在9月19日正式开源 Wan2.2-Animate-14B（简称 Wan-Animate）模型，这一高保真角色动画生成框架迅速成为 AI 视频领域的焦点。

MinerU 是由上海人工智能实验室（OpenDataLab）团队开发的一款开源智能文档解析工具，专注于将复杂的PDF文档、网页和电子书内容，高效、精准地提取并转换为机器可读的结构化格式。

SeedVR2_comfyUI 是由字节跳动 Seed 实验室与南洋理工大学 S-Lab 联合开源的 一步式图像高清修复模型 ，专为 ComfyUI 用户开发的插件版本。

Hunyuan-MT-7B 是腾讯混元团队发布的轻量级翻译模型，参数量仅 70 亿，支持 33 个语种及 5 种民汉语言/方言互译。

哔哩哔哩（B 站）Index 团队近日开源了一款情感可控、时长可调的工业级自回归零样本文本转语音（TTS）系统 —— IndexTTS2。

Wan2.2-S2V-14B 是阿里巴巴通义万相团队在8月底开源的一款音频驱动的多模态视频生成模型。 为了解决实现电影级角色动画这一长期挑战，团队提出了一种基于 Wan 的音频驱动模型。

MiniCPM-V 4.5 是 OpenBMB 最新 8B 多模态大模型，基于 Qwen3-8B + SigLIP2-400M，在 OpenCompass 平均 77.0 分。

MultiTalk 是由中山大学、美团和香港科技大学联合研发的一款音频驱动的多人对话视频生成框架。它能够根据多路音频输入、参考图像和文本提示，生成包含多个角色互动且唇形与语音高度同步的视频。

EchoMimicV3 是蚂蚁集团在8月底开源的一款高效、多模态、多任务的13亿参数数字人视频生成框架。

HunyuanVideo-Foley 是腾讯混元团队在2025年8月底开源的一款端到端视频音效生成模型。

YOLOv13 隆重推出 ——新一代实时检测器，拥有尖端的性能和效率。YOLOv13 系列包含四个版本：Nano、Small、Large 和 X-Large。

Qwen-Image 是阿里巴巴通义千问团队于 2025 年 8 月开源的首个图像生成基础模型，也是目前在复杂文本（尤其是中文）渲染方面表现最好的开源文生图大模型之一。