全部 skill

文生图、局部重绘与图生图。

清洗大模型训练数据：去重、过滤与 PII 脱敏。

SAM：通过点、框或掩码做零样本图像分割。

AudioCraft：MusicGen 文生音乐，AudioGen 文生音效。

Transcribe and translate speech in 99 languages.EN

Axolotl: YAML LLM fine-tuning (LoRA, DPO, GRPO).EN

Vision-language chat: VQA, captioning, image dialogue.EN

Zero-shot image classification and image-text search.EN

Axolotl 微调 LLM 专家指引——YAML 配置、100+ 模型、LoRA/QLoRA、DPO/KTO/ORPO/GRPO、多模态支持。

OpenAI 的通用语音识别模型。支持 99 种语言、转写、翻译为英文、语言识别。六种规模从 tiny（39M）到 large（1550M）。用于语音转文本、播客转录、或多语言音频处理。最适合鲁棒多语言 ASR。

大型语言与视觉助手。支持视觉指令微调与基于图像的对话。结合 CLIP 视觉编码器与 Vicuna/LLaMA 语言模型。支持多轮图像聊天、视觉问答、指令跟随。用于视觉语言聊天机器人或图像理解任务。最适合对话式图像分析。

OpenAI 连接视觉与语言的模型。支持零样本图像分类、图文匹配、跨模态检索。在 4 亿图文对上训练。用于图像搜索、内容审核、或无需微调的视觉语言任务。最适合通用图像理解。

最先进句/文/图嵌入框架。提供 5000+ 预训练模型做语义相似、聚类、检索。支持多语言、领域、多模态模型。用于 RAG、语义搜索、相似任务的嵌入生成。最适合生产嵌入生成。

LLaMA-Factory 微调 LLM 专家指引——WebUI 无代码、100+ 模型、2/3/4/5/6/8-bit QLoRA、多模态支持。

经 HuggingFace Diffusers 用 Stable Diffusion 模型的 SOTA 文生图。从文本提示生成图像、做图生图、修补、或构建自定义扩散管线时使用。

带零样本迁移的图像分割基础模型。需用点/框/掩码作提示分割图中任意对象、或自动生成图中所有对象掩码时使用。

桥接冻结图像编码器与 LLM 的视觉语言预训练框架。需图像描述、视觉问答、图文检索、或带 SOTA 零样本性能的多模态聊天时使用。

含文生音乐（MusicGen）与文生音效（AudioGen）的音频生成 PyTorch 库。需从文本描述生成音乐、创建音效、或旋律条件音乐生成时使用。

用 RAG 构建 LLM 应用的数据框架。专长文档摄入（300+ 连接器）、索引、查询。特性：向量索引、查询引擎、agent、多模态支持。用于文档问答、聊天机器人、知识检索、或构建 RAG 管线。最适合数据中心 LLM 应用。

GPU 加速的 LLM 训练数据策展。支持文本/图像/视频/音频。特性：模糊去重（快 16×）、质量过滤（30+ 启发）、语义去重、PII 脱敏、NSFW 检测。经 RAPIDS 跨 GPU 扩展。准备高质量训练集、清洗 web 数据、或去重大语料时使用。