AI 模型库：从模型能力到产品选择

UniDepth v2 (ViT-L/14) 是一个拥有 0.4B 参数的 PyTorch 模型，用于单目度量深度估计，利用视觉 Transformer 骨干网络从单个 RGB 图像中预测具有尺度感知的深度图。

Qwen/Qwen3-8B 是由阿里云通义千问团队开发的拥有 80 亿参数的大型语言模型，在 Hugging Face 上以 Apache 2.0 许可证发布。该模型专为高级文本生成、对话式 AI 和复杂推理任务设计，支持工具使用和长上下文理解。

T5-small 是由 Google 开发并托管在 Hugging Face 上的紧凑型多语言编码器-解码器 Transformer 模型。该模型采用 Apache 2.0 许可证，支持翻译、摘要和问答等多种语言的文本到文本生成任务，包括英语、法语、德语和罗马尼亚语。它针对低延迟推理以及在各种硬件后端上的高效部署进行了优化。

Qwen3 0.6B 是阿里云 Qwen3 系列中的紧凑型文本生成模型，专为高效对话式 AI 和语言任务设计。拥有 6 亿参数，平衡了性能与资源使用，支持多语言和长上下文长度。

LLaVA（大型语言与视觉助手）是一种多模态AI模型，它将视觉编码器与大型语言模型（LLM）相结合，以执行涉及图像和文本的任务。它可以理解图像、回答关于图像的问题、生成描述，并进行视觉对话。该模型可通过Ollama进行本地部署。

BGE Small EN v1.5 是 BAAI 开发的一款紧凑型句子嵌入模型，针对英文文本进行了优化。拥有 3300 万参数，兼顾效率与性能，支持语义搜索、聚类和分类等任务。已被广泛采用，下载量超过 6100 万。

CLIP（对比语言-图像预训练）由OpenAI开发，是一个在4亿图像-文本对上训练的神经网络。ViT-B/32变体使用补丁大小为32的视觉变换器。它通过计算图像和文本嵌入之间的相似度实现零样本图像分类。

MobileNetV3 Small（100%宽度）是一种轻量级、高效的卷积神经网络，用于图像分类，在ImageNet-1k上使用LAMB优化器预训练。它在准确率和计算量之间取得了良好的平衡，非常适合移动和边缘设备。

BGE Reranker v2 M3 是一个基于 XLM-RoBERTa 的多语言重排序模型，旨在通过重新排序候选文档来提高搜索相关性。它支持 100 多种语言，并在跨语言检索任务上实现了最先进的性能。

nomic-embed-text 是 Nomic AI 开发的文本嵌入模型，可通过 Ollama 本地部署。它生成高质量的文本向量表示，针对语义搜索、聚类和分类任务进行了优化。该模型支持最多8192个令牌，专为高效本地推理设计。

Mistral 是由 Mistral AI 开发的 73 亿参数语言模型，旨在通过 Ollama 实现高效的本地部署。它在推理、编程和多语言任务上表现出色，采用宽松的 Apache 2.0 许可证。

all-mpnet-base-v2 是一个句子变换器模型，从微软的 MPNet 基础模型微调而来，将句子映射到 768 维的密集向量空间，用于聚类和语义搜索等任务。它在各种句子嵌入基准测试中达到了最先进的性能。

BGE-M3 是 BAAI 开发的多语言嵌入模型，支持密集、稀疏和多向量检索，上下文长度达 8192 个 token。

BERT base uncased 是一个基于Transformer的模型，通过掩码语言建模和下一句预测在大型英文语料库上进行预训练。它拥有1.1亿参数，旨在针对各种NLP任务进行微调。

all-MiniLM-L6-v2 是一个来自 sentence-transformers 的句子嵌入模型，在 10 亿句子对数据集上微调。它将句子和段落映射到 384 维稠密向量空间，用于聚类或语义搜索等任务。拥有 2270 万参数和最大 256 个 token 的序列长度，在速度和准确性之间取得了良好的平衡。

Qwen3 4B 是阿里云 Qwen 团队推出的 40 亿参数文本生成模型，属于 Qwen3 系列。它专为高效推理和微调而设计，支持多种语言和任务。下载量超过 1600 万次，广泛应用于聊天机器人、内容生成和代码辅助。采用 Apache 2.0 许可，可在 Azure 上部署，并兼容 Hugging Face 端点。

Phi-3 是微软开发的一系列小型语言模型（SLM），针对本地部署进行了优化，在推理、编程和数学任务上表现出色。提供 3.8B 和 14B 参数版本，可通过 Ollama 在消费级硬件上高效运行。

Nomic Embed Text v1.5 是 Nomic AI 开发的高性能文本嵌入模型，专为句子相似度和特征提取设计。下载量超过 1860 万次，支持 ONNX、SafeTensors 和 Transformers.js，并针对 MTEB 基准进行了优化。

Llama 3.3 是由 Meta 开发的拥有 700 亿参数的多语言大型语言模型。它是更大的 Llama 3.1 405B 模型的高效替代方案，在提供相当性能的同时显著降低了计算需求。该模型针对指令微调和对齐进行了优化，支持八种语言，并具备 128K 的上下文窗口，适用于复杂推理、代码生成和多语言应用。

Qwen2.5 是阿里巴巴集团旗下通义实验室开发的一系列大型语言模型，可通过 Ollama 进行本地部署。该系列包含从 0.5B 到 72B 的不同参数量级，支持长达 128K token 的上下文窗口，并具备涵盖 29 多种语言的_multilingual_ 能力。与前任模型 Qwen2 相比，Qwen2.5 在编程、数学、指令遵循以及结构化输出生成方面均有显著提升。