Step1X-Edit

2.2k 95 中等 3 次阅读昨天Apache-2.0图像

AI 解读由 AI 自动生成，仅供参考

Step1X-Edit 是一款开源的图像编辑 AI 模型，目标是达到与 GPT-4o、Gemini 2 Flash 等闭源大模型相当的图像理解与编辑能力。它能根据自然语言指令精准修改图片内容，比如“把沙发换成蓝色”或“在背景加一座山”，同时保持画面协调和细节真实。对于当前许多开源工具难以兼顾语义理解与视觉质量的问题，Step1X-Edit 通过引入“推理+反思”机制，在复杂编辑任务中表现更稳定、准确。

适合对图像生成与编辑有进阶需求的设计师、AI 研究者和开发者使用，普通用户也可通过 Hugging Face 或 Replicate 平台轻松体验。最新版本 Step1X-Edit-v1p2 支持“思考式编辑”，能先分析指令意图再执行修改，并在 KRIS-Bench 和 GEdit-Bench 评测中全面超越前代及多个主流模型。此外，社区推出的 RegionE 插件还能让推理速度提升 2.5 倍，几乎不损失精度，只需五行代码即可接入。项目提供完整模型、数据集和在线演示，欢迎加入 Discord 或微信社群交流使用心得。

使用场景

一位独立游戏开发者正在为新作《蒸汽朋克动物园》制作宣传海报，需要快速将原始手绘角色图中的“机械狐狸耳朵”替换成“发光水晶鹿角”，同时保持画面风格与光影一致。

没有 Step1X-Edit 时

必须手动在 Photoshop 中逐层绘制替换部件，耗时至少3小时，且容易破坏原图质感。
使用普通AI修图工具（如旧版Stable Diffusion插件）生成结果风格割裂，水晶材质与蒸汽朋克氛围不搭。
多次修改需求（比如“让水晶更透明一点”）需重新开始编辑，沟通成本高、迭代效率低。
无法精确控制局部区域编辑范围，常误改背景齿轮或毛发细节，导致返工。
输出质量不稳定，有时生成结构错乱的角状物，缺乏可控性和专业级精度。

使用 Step1X-Edit 后

输入自然语言指令“将狐狸耳朵替换为半透明发光水晶鹿角，保留蒸汽金属纹理”，10秒内获得高质量输出，无需手动重绘。
得益于其推理编辑能力，Step1X-Edit 自动理解“蒸汽朋克+水晶”的风格融合，生成结果材质协调、光影自然。
支持多轮语义修正，只需追加“增强水晶内部光晕效果”，模型即在原基础上优化，无需从头再来。
区域编辑精准，通过简单框选或语义描述即可锁定目标部位，背景与毛发细节毫发无损。
在GEdit-Bench和KRIS-Bench上超越多数闭源模型的表现，确保每次输出都稳定达到商业可用标准。

Step1X-Edit 让创意工作者从繁琐的手工修图中解放出来，用自然语言直接驱动专业级图像编辑，真正实现“所想即所得”。

运行环境要求

GPU

需要 NVIDIA GPU，显存 24GB（用于 LoRA 微调），未说明推理最低显存

内存

未说明

依赖

notes需从指定分支安装 diffusers；支持 FP8 和并行推理；LoRA 微调可在单张 24GB GPU 上运行；推荐使用 CUDA 环境。

python未说明

transformers==4.55.0

diffusers

torch

RegionE

快速开始

🔥🔥🔥 新闻速递！！

2025年12月29日：🎉 RegionE 仅需五行代码，即可在不损失精度的前提下，为 Step1X-Edit 推理带来 2.5 倍加速。

2025年11月26日：👋 我们发布了 Step1X-Edit-v1p2（论文中称为 ReasonEdit-S），这是一款原生支持推理编辑（reasoning edit）的模型，在 KRIS-Bench 和 GEdit-Bench 上表现更优。技术报告请见此处。

模型	GEdit-Bench			Kris-Bench
模型	G_SC⬆️	G_PQ⬆️	G_O⬆️	FK⬆️	CK⬆️	PK⬆️	Overall⬆️
Flux-Kontext-dev	7.16	7.37	6.51	53.28	50.36	42.53	49.54
Qwen-Image-Edit-2509	8.00	7.86	7.56	61.47	56.79	47.07	56.15
Step1X-Edit v1.1	7.66	7.35	6.97	53.05	54.34	44.66	51.59
Step1x-edit-v1p2-preview	8.14	7.55	7.42	60.49	58.81	41.77	52.51
Step1x-edit-v1p2 (base)	7.77	7.65	7.24	58.23	60.55	46.21	56.33
Step1x-edit-v1p2 (thinking)	8.02	7.64	7.36	59.79	62.76	49.78	58.64
Step1x-edit-v1p2 (thinking + reflection)	8.18	7.85	7.58	62.44	65.72	50.42	60.93

2025年9月8日：👋 我们发布了 step1x-edit-v1p2-preview，这是 Step1X-Edit 的新版本，具备推理编辑能力且性能更优（技术报告即将发布），主要特性包括：

原生推理编辑模型：结合指令推理与反思修正机制，更精准处理复杂编辑任务。KRIS-Bench 表现如下：

模型	事实知识 ⬆️	概念知识 ⬆️	程序性知识 ⬆️	综合得分 ⬆️
Step1X-Edit v1.1	53.05	54.34	44.66	51.59
Step1x-edit-v1p2-preview	60.49	58.81	41.77	52.51
Step1x-edit-v1p2-preview (thinking)	62.24	62.25	44.43	55.21
Step1x-edit-v1p2-preview (thinking + reflection)	62.94	61.82	44.08	55.64

提升图像编辑质量与指令遵循能力。GEdit-Bench 表现如下：

模型	G_SC ⬆️	G_PQ ⬆️	G_O ⬆️	Q_SC ⬆️	Q_PQ ⬆️	Q_O ⬆️
Step1X-Edit (v1.0)	7.13	7.00	6.44	7.39	7.28	7.07
Step1X-Edit (v1.1)	7.66	7.35	6.97	7.65	7.41	7.35
Step1x-edit-v1p2-preview	8.14	7.55	7.42	7.90	7.34	7.40

2025年7月9日：👋 我们更新了 step1x-edit 模型并发布为 step1x-edit-v1p1（diffusers 版本见此处)，主要特性包括：
- 新增支持文生图（T2I, Text-to-Image）生成任务
- 提升图像编辑质量与指令遵循能力。 GEdit-Bench-EN（完整集）定量评估结果。G_SC、G_PQ、G_O 为 GPT-4.1 评估指标，Q_SC、Q_PQ、Q_O 为 Qwen2.5-VL-72B 评估指标。为便于复现，我们已公开模型评估的中间结果。
  
  模型 G_SC ⬆️ G_PQ ⬆️ G_O ⬆️ Q_SC ⬆️ Q_PQ ⬆️ Q_O ⬆️
  
  Step1X-Edit (v1.0) 7.13 7.00 6.44 7.39 7.28 7.07
  
  Step1X-Edit (v1.1) 7.66 7.35 6.97 7.65 7.41 7.35
2025年6月17日：👋 新增支持 Teacache 与并行推理。
2025年5月22日：👋 Step1X-Edit 现已支持在单张 24GB GPU 上进行 Lora 微调！同时发布了针对动漫角色的手动修复版 Lora。下载 Lora
2025年4月30日：🎉 Step1X-Edit ComfyUI 插件现已上线，感谢社区贡献！quank123wip/ComfyUI-Step1X-Edit & raykindle/ComfyUI_Step1X-Edit。
2025年4月27日：🎉 在社区支持下，我们更新了 Step1X-Edit-FP8 的推理代码与模型权重。meimeilook/Step1X-Edit-FP8 & rkfg/Step1X-Edit-FP8。
2025年4月26日：🎉 Step1X-Edit 正式上线 —— 您现在可以直接在在线演示中编辑图像！在线演示
2025年4月25日：👋 我们发布了 Step1X-Edit 的评估代码与基准数据。下载 GEdit-Bench
2025年4月25日：👋 我们发布了 Step1X-Edit 的推理代码与模型权重。ModelScope & HuggingFace 模型。
2025年4月25日：👋 我们已开源技术报告。阅读报告

📖 简介

我们推出了最先进的图像编辑模型 Step1X-Edit，旨在提供与闭源模型（如 GPT-4o 和 Gemini2 Flash）相媲美的性能。
具体而言，我们采用多模态大语言模型（Multimodal LLM）处理参考图像和用户的编辑指令，提取潜在嵌入（latent embedding），并与扩散图像解码器（diffusion image decoder）结合以生成目标图像。为训练该模型，我们构建了一套数据生成流水线，用于生产高质量数据集。
在评估方面，我们开发了 GEdit-Bench——一个基于真实用户指令的全新基准测试。GEdit-Bench 上的实验结果表明，Step1X-Edit 显著优于现有开源基线模型，并接近领先闭源模型的性能，从而为图像编辑领域做出了重要贡献。
更多细节请参阅我们的技术报告。

Step1X-Edit： 一个统一的图像编辑模型，在多种真实用户指令上表现卓越。

⚡️ 快速开始

请确保你的 transformers==4.55.0（我们在该版本下测试通过）
根据你想使用的模型版本，本地安装 diffusers 包

Step1X-Edit-v1p2 (v1.2)

使用以下命令安装 diffusers 包：

git clone -b step1xedit_v1p2 https://github.com/Peyton-Chen/diffusers.git
cd diffusers
pip install -e .

pip install RegionE # 可选，用于加速推理

以下是使用 Step1X-Edit-v1p2 模型编辑图像的示例：

import torch
from diffusers import Step1XEditPipelineV1P2
from diffusers.utils import load_image
from RegionE import RegionEHelper

pipe = Step1XEditPipelineV1P2.from_pretrained("stepfun-ai/Step1X-Edit-v1p2", torch_dtype=torch.bfloat16)
pipe.to("cuda")

# 导入 RegionEHelper
regionehelper = RegionEHelper(pipe)
regionehelper.set_params()   # 默认超参数
regionehelper.enable()

print("=== 处理图像 ===")
image = load_image("examples/0000.jpg").convert("RGB")
prompt = "add a ruby pendant on the girl's neck."
enable_thinking_mode=True
enable_reflection_mode=True
pipe_output = pipe(
    image=image,
    prompt=prompt,
    num_inference_steps=50,
    true_cfg_scale=6,
    generator=torch.Generator().manual_seed(42),
    enable_thinking_mode=enable_thinking_mode,
    enable_reflection_mode=enable_reflection_mode,
)
if enable_thinking_mode:
    print("Reformat Prompt:", pipe_output.reformat_prompt)
for image_idx in range(len(pipe_output.images)):
    pipe_output.images[image_idx].save(f"0001-{image_idx}.jpg", lossless=True)
    if enable_reflection_mode:
        print(pipe_output.think_info[image_idx])
        print(pipe_output.best_info[image_idx])
pipe_output.final_images[0].save(f"0001-final.jpg", lossless=True)

regionehelper.disable()

结果如下所示：

Step1X-Edit-v1p2-preview (v1.2-preview)

使用以下命令安装 diffusers 包：

git clone -b dev/MergeV1-2 https://github.com/Peyton-Chen/diffusers.git
cd diffusers
pip install -e .

以下是使用 Step1X-Edit-v1p2-preview 模型编辑图像的示例：

import torch
from diffusers import Step1XEditPipelineV1P2
from diffusers.utils import load_image
pipe = Step1XEditPipelineV1P2.from_pretrained("stepfun-ai/Step1X-Edit-v1p2-preview", torch_dtype=torch.bfloat16)
pipe.to("cuda")
print("=== 处理图像 ===")
image = load_image("examples/0000.jpg").convert("RGB")
prompt = "add a ruby pendant on the girl's neck."
enable_thinking_mode=True
enable_reflection_mode=True
pipe_output = pipe(
    image=image,
    prompt=prompt,
    num_inference_steps=28,
    true_cfg_scale=4,
    generator=torch.Generator().manual_seed(42),
    enable_thinking_mode=enable_thinking_mode,
    enable_reflection_mode=enable_reflection_mode,
)
if enable_thinking_mode:
    print("Reformat Prompt:", pipe_output.reformat_prompt)
for image_idx in range(len(pipe_output.images)):
    pipe_output.images[image_idx].save(f"0001-{image_idx}.jpg", lossless=True)
    if enable_reflection_mode:
        print(pipe_output.think_info[image_idx])

Step1X-Edit-v1p1 (v1.1)

使用以下命令安装 diffusers 包：

git clone -b step1xedit https://github.com/Peyton-Chen/diffusers.git
cd diffusers
pip install -e .

以下是使用 Step1X-Edit-v1p1 模型编辑图像的示例：

import torch
from diffusers import Step1XEditPipeline
from diffusers.utils import load_image


pipe = Step1XEditPipeline.from_pretrained("stepfun-ai/Step1X-Edit-v1p1-diffusers", torch_dtype=torch.bfloat16)
pipe.to("cuda")

print("=== 处理图像 ===")
image = load_image("examples/0000.jpg").convert("RGB")
prompt = "给这个女生的脖子上戴一个带有红宝石的吊坠。"
image = pipe(
    image=image,
    prompt=prompt,
    num_inference_steps=28,
    size_level=1024,
    guidance_scale=6.0,
    generator=torch.Generator().manual_seed(42),
).images[0]
image.save("0000.jpg")

结果将如下所示：

🌟 高级用法

我们以原始的 Step1X-Edit 模型为例，展示该模型的一些高级用法。其他版本的模型可能具有不同的推理流程。

A1. 依赖要求

我们在 torch==2.3.1 和 torch==2.5.1（搭配 cuda-12.1）环境下测试了本模型。安装依赖：

pip install -r requirements.txt

安装 flash-attn，我们提供了一个脚本帮助你找到适合系统的预编译 wheel 文件。

python scripts/get_flash_attn.py

脚本将生成类似 flash_attn-2.7.2.post1+cu12torch2.5cxx11abiFALSE-cp310-cp310-linux_x86_64.whl 的 wheel 文件名，你可以在 flash-attn 的发布页面找到对应文件。

随后你可以下载对应的预编译 wheel 文件，并按照 flash-attn 中的说明进行安装。

A2. 降低 GPU 显存占用

你可以使用以下脚本来以更低的 GPU 显存占用编辑图像。

bash scripts/run_examples.sh

默认脚本使用未量化（non-quantified）权重运行推理代码。若希望节省 GPU 显存，你可以：1）在脚本中设置 --quantized 标志，将权重量化为 fp8；或 2）在脚本中设置 --offload 标志，将部分模块卸载到 CPU。

下表展示了在不同配置下运行 Step1X-Edit 模型（batch size = 1，启用 cfg）时的 GPU 显存占用与速度：

模型	峰值 GPU 显存 (512 / 786 / 1024)	28 步 + flash-attn(512 / 786 / 1024)
Step1X-Edit	42.5GB / 46.5GB / 49.8GB	5s / 11s / 22s
Step1X-Edit (FP8)	31GB / 31.5GB / 34GB	6.8s / 13.5s / 25s
Step1X-Edit (offload)	25.9GB / 27.3GB / 29.1GB	49.6s / 54.1s / 63.2s
Step1X-Edit (FP8 + offload)	18GB / 18GB / 18GB	35s / 40s / 51s

测试环境为单张 H800 GPU。
我们推荐使用 80GB 显存的 GPU 以获得更佳的生成质量与效率。

A3. 多 GPU 推理

对于多 GPU 推理，可使用以下脚本：

bash scripts/run_examples_parallel.sh

你可以在脚本中修改 GPU 数量（GPU）、xDiT 的配置（--ulysses_degree、--ring_degree 或 --cfg_degree），以及是否启用 TeaCache 加速（--teacache）。下表展示了 Step1X-Edit 模型上几种高效方法的速度提升效果。

模型	峰值 GPU 显存	28 步耗时
Step1X-Edit + TeaCache	49.6GB	16.78s
Step1X-Edit + xDiT (GPU=2)	50.2GB	12.81s
Step1X-Edit + xDiT (GPU=4)	52.9GB	8.17s
Step1X-Edit + TeaCache + xDiT (GPU=2)	50.7GB	8.94s
Step1X-Edit + TeaCache + xDiT (GPU=4)	54.2GB	5.82s

测试环境为 H800 系列 GPU，分辨率为 1024。
TeaCache 默认阈值 0.2 在效率与性能之间提供了良好平衡。
xDiT 在使用 4 张 GPU 时同时启用了 CFG 并行（CFG Parallelism）和 Ring Attention，而在 2 张 GPU 时仅使用 CFG 并行。

默认脚本将在示例输入上运行推理代码。结果如下所示：

A4. 微调（Finetuning）

LoRA 训练脚本

以下是当 LoRA 秩（rank）设为 64、batch size 为 1 时训练过程中的 GPU 显存消耗：

DiT 精度	bf16 (512 / 786 / 1024)	fp8 (512 / 786 / 1024)
GPU 显存	29.7GB / 31.6GB / 33.8GB	19.8GB / 21.3GB / 23.6GB

脚本 ./scripts/finetuning.sh 展示了如何微调 Step1X-Edit 模型。采用我们的默认策略，可在单张 24GB GPU 上完成 1024 分辨率的微调。该微调脚本基于 kohya-ss/sd-scripts 修改而来。

bash ./scripts/finetuning.sh

自定义数据集由 ./library/data_configs/step1x_edit.toml 组织管理。其中 metadata_file 包含所有训练样本，包括源图像绝对路径、目标图像绝对路径及编辑指令。

metadata_file 应为一个 JSON 文件，格式如下：

{
  <目标图像路径, str>: {
    'ref_image_path': <源图像路径, str>
    'caption': <编辑指令, str>
  }, 
  ...
}

使用 LoRA 进行推理

在使用 inference.py 时，只需添加 --lora <你的 LoRA 权重路径> 即可加载 LoRA 权重。例如：

python inference.py --input_dir ./examples \
    --model_path /data/work_dir/step1x-edit/ \
    --json_path ./examples/prompt_cn.json \
    --output_dir ./output_cn \
    --seed 1234 --size_level 1024 \
    --lora 20250521_001-lora256-alpha128-fix-hand-per-epoch/step1x-edit_test.safetensors

以下是我们发布的预训练 LoRA 权重示例，专用于修复动漫角色中损坏的手部。

如需复现上述案例，可运行以下脚本：

bash scripts/run_examples_fix_hand.sh

📊 基准测试（Benchmark）

我们发布了 GEdit-Bench，这是一个基于真实用户场景构建的新基准测试，旨在支持更真实、全面的评估。该基准经过精心设计，覆盖广泛的编辑需求与场景，能够对图像编辑模型进行更贴近实际应用的综合评测。评估流程及相关代码请参见 GEdit-Bench/EVAL.md。部分评测结果如下：

🧩 社区贡献

如果你在项目中开发或使用了 Step1X-Edit，欢迎告知我们 🎉。

Step1X-Edit 详细执行流程博客：Step1X-Edit执行流程，作者 liwenju0
FP8 模型权重：meimeilook/Step1X-Edit-FP8，作者 meimeilook；rkfg/Step1X-Edit-FP8，作者 rkfg
Step1X-Edit ComfyUI 插件：quank123wip/ComfyUI-Step1X-Edit，作者 quank123wip；raykindle/ComfyUI_Step1X-Edit，作者 raykindle
训练脚本：hobart07/Step1X-Edit_train，作者 hobart07

📚 引用

如果您认为 Step1X-Edit 系列对您的研究或应用有所帮助，请考虑 ⭐ 标星本仓库并引用我们的论文。

@article{yin2025reasonedit,
  title={ReasonEdit: Towards Reasoning-Enhanced Image Editing Models}, 
  author={Fukun Yin, Shiyu Liu, Yucheng Han, Zhibo Wang, Peng Xing, Rui Wang, Wei Cheng, Yingming Wang, Aojie Li, Zixin Yin, Pengtao Chen, Xiangyu Zhang, Daxin Jiang, Xianfang Zeng, Gang Yu},
  journal={arXiv preprint arXiv:2511.22625},
  year={2025}
}

@article{wu2025kris,
  title={KRIS-Bench: Benchmarking Next-Level Intelligent Image Editing Models},
  author={Wu, Yongliang and Li, Zonghui and Hu, Xinting and Ye, Xinyu and Zeng, Xianfang and Yu, Gang and Zhu, Wenbo and Schiele, Bernt and Yang, Ming-Hsuan and Yang, Xu},
  journal={arXiv preprint arXiv:2505.16707},
  year={2025}
}

@article{liu2025step1x-edit,
  title={Step1X-Edit: A Practical Framework for General Image Editing}, 
  author={Shiyu Liu and Yucheng Han and Peng Xing and Fukun Yin and Rui Wang and Wei Cheng and Jiaqi Liao and Yingming Wang and Honghao Fu and Chunrui Han and Guopeng Li and Yuang Peng and Quan Sun and Jingwei Wu and Yan Cai and Zheng Ge and Ranchen Ming and Lei Xia and Xianfang Zeng and Yibo Zhu and Binxing Jiao and Xiangyu Zhang and Gang Yu and Daxin Jiang},
  journal={arXiv preprint arXiv:2504.17761},
  year={2025}
}

致谢

我们衷心感谢 Kohya、SD3、FLUX、Qwen、xDiT、TeaCache、diffusers 以及 HuggingFace 团队的贡献者们，感谢他们开放的研究与探索。

免责声明

本图像编辑模型生成的结果完全由用户输入和操作决定。开发团队及本开源项目不对使用过程中产生的任何结果或后果承担责任。

许可证

Step1X-Edit 采用 Apache License 2.0 授权。您可以在相应的 GitHub 和 HuggingFace 仓库中找到许可证文件。

Step1X-Edit 快速上手指南

环境准备

Python 版本：建议使用 Python 3.8+
PyTorch：需支持 CUDA，推荐 torch >= 2.0
transformers：必须为 4.55.0（经测试稳定版本）
显存要求：至少 24GB GPU 显存（如 RTX 3090 / 4090 或 A10/A100）
可选加速：支持 RegionE 加速推理（提速 2.5 倍），支持 FP8 量化、LoRA 微调、ComfyUI 插件

国内用户建议使用 HuggingFace 镜像或 ModelScope 下载模型：

HuggingFace 模型页

ModelScope 模型页

安装步骤

1. 安装基础依赖

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
pip install transformers==4.55.0 accelerate safetensors

2. 安装 diffusers（根据版本选择）

使用 v1.2 正式版（推荐）

git clone -b step1xedit_v1p2 https://github.com/Peyton-Chen/diffusers.git
cd diffusers
pip install -e .

# 可选：安装 RegionE 加速推理
pip install RegionE

使用 v1.2-preview 版

git clone -b dev/MergeV1-2 https://github.com/Peyton-Chen/diffusers.git
cd diffusers
pip install -e .

基本使用

以下为使用 Step1X-Edit-v1p2 编辑图像的最小示例：

import torch
from diffusers import Step1XEditPipelineV1P2
from diffusers.utils import load_image

# 加载模型（首次运行会自动下载约 10GB 权重）
pipe = Step1XEditPipelineV1P2.from_pretrained("stepfun-ai/Step1X-Edit-v1p2", torch_dtype=torch.bfloat16)
pipe.to("cuda")

# 加载输入图像 + 编辑指令
image = load_image("examples/0000.jpg").convert("RGB")
prompt = "add a ruby pendant on the girl's neck."

# 执行编辑
pipe_output = pipe(
    image=image,
    prompt=prompt,
    num_inference_steps=50,
    true_cfg_scale=6,
    generator=torch.Generator().manual_seed(42),
    enable_thinking_mode=True,      # 启用推理模式
    enable_reflection_mode=True     # 启用反思修正
)

# 保存结果
pipe_output.final_images[0].save("output.jpg", lossless=True)

✅ 输出将包含最终编辑图像 + 中间思考过程（若启用 reflection 模式）
🚀 如需加速推理，可在 pipe 初始化后添加：
from RegionE import RegionEHelper
regionehelper = RegionEHelper(pipe)
regionehelper.set_params()
regionehelper.enable()

📌 提示：更多模型版本、LoRA 微调、ComfyUI 插件等高级功能请参考项目主页：https://step1x-edit.github.io/

常见问题

如何在单卡环境下配置 accelerate_config.yaml 进行微调？

微调后的模型输出结果如何使用？

训练数据集的格式是什么？能否提供一个示例？

是否支持多 GPU 并行推理或训练？

在不支持 bf16 的旧硬件上运行时生成黑图怎么办？

本地部署效果比网页版差，可能是什么原因？

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。

★ 162.1k|★★★☆☆|今天

开发框架图像Agent

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。

★ 107.7k|★★☆☆☆|2天前

开发框架图像Agent

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。

★ 85k|★★☆☆☆|今天

图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。

★ 77.1k|★★★☆☆|2天前

Agent图像开发框架

PaddleOCR

PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。

★ 74.9k|★★★☆☆|今天

语言模型图像开发框架

tesseract

Tesseract 是一款历史悠久且备受推崇的开源光学字符识别（OCR）引擎，最初由惠普实验室开发，后由 Google 维护，目前由全球社区共同贡献。它的核心功能是将图片中的文字转化为可编辑、可搜索的文本数据，有效解决了从扫描件、照片或 PDF 文档中提取文字信息的难题，是数字化归档和信息自动化的重要基础工具。在技术层面，Tesseract 展现了强大的适应能力。从版本 4 开始，它引入了基于长短期记忆网络（LSTM）的神经网络 OCR 引擎，显著提升了行识别的准确率；同时，为了兼顾旧有需求，它依然支持传统的字符模式识别引擎。Tesseract 原生支持 UTF-8 编码，开箱即用即可识别超过 100 种语言，并兼容 PNG、JPEG、TIFF 等多种常见图像格式。输出方面，它灵活支持纯文本、hOCR、PDF、TSV 等多种格式，方便后续数据处理。 Tesseract 主要面向开发者、研究人员以及需要构建文档处理流程的企业用户。由于它本身是一个命令行工具和库（libtesseract），不包含图形用户界面（GUI），因此最适合具备一定编程能力的技术人员集成到自动化脚本或应用程序中

★ 73.3k|★★☆☆☆|3天前

开发框架图像