AI仙宝✧
Dify｜增值税发票提取小工具chatflow
一个在Dify中搭建的对话式工作流，用户上传发票文件后由多模态模型识别并提取增值税发票信息，适合需要快速录入票据内容的个人或小微企业。
工作流 OCR多模态Dify工作流
获取方式待核验 · 国内可用性待核验
使用难度待核验
多模态相关工具、教程与提示词
汇集多模态主题下已发布的工具、教程、提示词与场景资料，帮助你了解用途、使用条件及操作方法。
自动化工作流
✧
智能文档助手｜Dify 多模态文档问答工作流
这是一个Dify对话型工作流，可接收用户上传的文档或图片，自动判断文件类型并调用相应模型作答，适合需要读文档、看图片再提问的办公与学习场景。
工作流 知识库文档问答多模态
获取方式待核验 · 国内可用性待核验
使用难度待核验
✧
Dify｜文生视频与TTS语音播报工作流
在Dify中导入的高级对话工作流，接收一段提示词后调用大模型扩写并请求智谱文生视频服务，再通过HTTP请求生成语音播报，适合制作带旁白的短视频草稿。
工作流 语音合成文生视频多模态
获取方式待核验 · 国内可用性待核验
使用难度待核验
✧
儿童故事绘本文生视频语音合成版｜按分镜生成绘本图片并合成配音动画视频
把儿童故事整理成分镜提示词并生成插画，再合成带语音的动画绘本视频，适合想批量制作儿童故事短片的内容创作者与家长使用。
工作流 语音合成文生视频多模态
获取方式待核验 · 国内可用性待核验
使用难度待核验
✧
dify-workflows｜Dify多文件图文理解工作流
一个Dify聊天工作流样例，可上传多张图片和多个文档，先分别筛选与总结，再合并成图文内容直接回复，适合需要批量阅读图片和文档并生成摘要的使用场景。
工作流 工作流Dify多模态
获取方式待核验 · 国内可用性待核验
使用难度待核验
AI 工具
M
huggingfaceMultimodal OCR｜多模型图像文字识别与场景描述演示
上传图片并输入文字指令，让多个OCR与视觉语言模型尝试提取文字或描述画面，适合想比较不同模型读图效果的用户。
OCR 图像识别Hugging Face Spaces（Gradio 网页演示）使用难度
站长实测状态尚未登记
L
githubLocalAI｜本地部署多模态AI模型的开源推理引擎
在自有电脑或服务器上运行大语言模型、语音、图像、视频等多模态模型的推理引擎，可为需要数据不出内网、按需加载后端的开发者和运维团队提供兼容主流云端接口的本地AI服务。
LLM 推理与部署跨平台（容器 / macOS 应用 / 服务端）使用难度
站长实测状态尚未登记
F
外部应用Flux｜Black Forest Labs 图像生成模型系列
由Black Forest Labs推出的图像生成模型系列，主打写实质感与多图参考编辑，可用于文生图和图像修改，适合设计师、内容创作者与需要高质量配图的团队。
AI 图像创作与 UI 设计官方平台/API 调用；开源型号可本地部署，条件待核验使用难度
站长实测状态尚未登记
G
外部应用Google AI Studio｜Gemini 模型提示词调试与 API 接入工作台
在网页里试用和调试 Google Gemini 模型，输入文字、图片等多模态内容，调整提示词参数并生成 API Key 接入自己的应用。
通用 LLM 应用网页端（浏览器访问）使用难度
站长实测状态尚未登记
P
外部应用Phi-4｜小体积高效端侧与云端语言模型系列
微软开源的小型语言模型系列，体积小、部署成本低，覆盖通用、推理、多模态和视觉版本，适合端侧设备、边缘场景与资源受限的开发者使用。
开源大语言模型GitHub 示例仓库 PhiCookBook，模型可本地或端侧部署使用难度
站长实测状态尚未登记
L
外部应用Llama 4｜Meta开源多模态大模型系列
Meta开源的多模态大语言模型系列，支持文本与图像输入，提供从Scout到Maverick不同规模的MoE版本，适合研究者和开发者做模型部署与二次开发选型。
开源大语言模型开源模型权重，可在自建环境或云平台部署，具体支持框架待核验使用难度
站长实测状态尚未登记
M
外部应用Muse Glimmer｜30B 多模态本地智能体模型
Meta 开源的 300 亿参数多模态智能体模型，支持文本与图像输入及工具调用，可 4-bit 量化后在消费级显卡本地运行，适合想本地部署智能体的研究者与开发者。
开源大语言模型本地部署（Hugging Face 模型）使用难度
站长实测状态尚未登记
G
外部应用Gemma 4｜开源权重多模态大模型
谷歌推出的开源权重大语言模型系列，提供从端侧到服务器的多种尺寸，支持图像、音频输入和长上下文，适合希望自行部署或二次开发的开发者与研究者。
开源大语言模型待核验（模型权重与推理代码发布平台以官方页面为准）使用难度
站长实测状态尚未登记
G
外部应用GLM-5.3-Flash｜开源多模态长上下文模型
智谱开源的 GLM-5.3-Flash 是原生多模态混合专家模型，支持百万级 token 上下文，适合需要处理长文档、图文混合内容并希望自部署或低成本调用 API 的开发者。
开源大语言模型模型权重（Hugging Face）与在线 API，具体形态待核查使用难度
站长实测状态尚未登记