Token导航 LogoToken导航

Agent Skill · 研究检索

multimodal-models(多式联运模型)

multimodal-models 用于查找、检索和筛选相关信息,适合在 Codex、Claude、Cursor、Gemini CLI 中需要根据关键词、任务场景或来源线索快速定位候选结果时使用。可结合来源仓库、安装命令和原始 README 继续核验具体用法。安装前建议确认权限范围、维护状态,以及是否会触发联网、命令执行或文件读写。

multimodal-models 是研究检索类 Agent Skill,可用宿主为 Codex、Claude、Cursor、Gemini CLI,通过GitHub 仓库获取,权限为需要联网;许可证信息还不明确,第三方扫描已通过,按安装量在研究检索类的 73,675 个 Skill 里排第 43,282。

总安装 998周安装 40GitHub Stars 4下载 323核验 2026-05-01

安装说明

本站只整理中文说明,不托管安装包,也不代用户安装。
GitHub
许可证
unknown

安装方式

通过对话安装

复制提示词发给支持本地命令或 Skills 的 AI 助手,先确认命令和权限,再让它执行。

请帮我安装这个 Agent Skill:multimodal-models(多式联运模型)
来源仓库:https://github.com/eyadsibai/ltk
仓库路径:skills/multimodal-models
安装命令:
npx skills add https://github.com/eyadsibai/ltk --skill multimodal-models
安装前请先检查当前环境是否支持对应 CLI,并向我确认将要执行的命令、安装目录、联网范围和文件读写权限;确认后再执行。

命令行安装

复制命令到本机终端执行。该命令会通过 npx skills 从第三方来源获取 Skill;本站只展示命令,不托管安装包,也不自动执行。

skills.shnpx skills
npx skills add https://github.com/eyadsibai/ltk --skill multimodal-models

这个 Skill 是做什么的

研究检索类 Skill 主要解决「找资料、核对事实、把来源整理清楚」的问题,通常会让助手先检索再总结。

用于查找、检索和筛选相关信息,支持关键词和任务场景匹配。适合在需要快速定位候选结果时使用,如研究、数据收集或背景调研。通过来源仓库和原始 README 可进一步核验具体用法和功能边界。

安装命令:npx skills add https://github.com/eyadsibai/ltk --skill multimodal-models。使用前应确认是否涉及联网、命令执行或文件操作,评估安全风险。

来源仓库内路径:skills/multimodal-models

上手步骤

4 步
  1. 1

    确认自己的宿主工具

    公开资料标注支持 Codex、Claude、Cursor、Gemini CLI;先确认自己用的是其中之一,再按对应工具的 Skills 目录放置。

  2. 2

    拿到安装命令

    可以直接复制的命令是 npx skills add https://github.com/eyadsibai/ltk --skill multimodal-models;命令里的占位符换成自己的路径或密钥再执行。

  3. 3

    安装后重启宿主

    命令执行完要完全退出宿主工具再打开,让新装的 Skill 被重新扫描到,否则列表里可能看不到。

  4. 4

    按最小权限试用

    它需要需要联网,先在测试目录或测试账号里跑,确认没问题再放到正式项目。

常见问题

6 条

multimodal-models 怎么安装?

在终端执行 npx skills add https://github.com/eyadsibai/ltk --skill multimodal-models。装完完全退出宿主工具再打开,让它重新扫描本地 Skill。

multimodal-models 支持哪些 AI 工具?

公开资料标注支持 Codex、Claude、Cursor、Gemini CLI。其他工具只要能读取本地 Skill 目录,一般也能手动放进去,但要自己确认触发方式是否一致。

multimodal-models 需要什么权限?

权限级别是需要联网。该 Skill 可能需要联网访问来源站点、仓库或外部 API;具体网络访问范围需要结合源码和 README 复核。

multimodal-models 是免费的吗?

公开资料没有标注明确许可证,收费和商用限制都无法确认。正式使用前请到来源仓库核对授权说明。

multimodal-models 用的人多吗?

公开数据是累计安装 998 次,近一周安装 40 次,下载 323 次,GitHub 4 星。这些数字来自第三方目录统计,只能当作热度参考,不代表质量或安全性。

multimodal-models 安全吗?

第三方扫描结果为通过,但这只覆盖已知的静态检查项,不能替代自己读一遍源码和安装命令。

值得选的地方和要先想清楚的地方

值得选的地方

  • 同时适配 4 种工具,换客户端不用重新找替代品。
  • 第三方扫描已通过,常见的高风险行为没有命中。

先想清楚的地方

  • 许可证没有明确标注,能不能商用、能不能再分发都不确定。
  • 第三方目录整理,版本更新和行为细节以来源仓库为准。

适不适合你

更适合

  • 已经在用 Codex,想直接扩展它能力的人。
  • 需要处理研究检索类任务、又不想每次都手写提示词的人。

不太适合

  • 需要明确授权才能用到公司项目里的场景。
  • 需要厂商级技术支持和 SLA 的生产系统。

研究检索类 Skill 对比

6 个同类
Skill总安装GitHub 星权限许可证扫描
find-skills

寻找技能 · Codex、Claude

31,199,81316,486操作浏览器MIT有提醒
self-improving-agent

自我改进 Agent · OpenClaw

16,464,0023,396接触敏感数据MIT-0通过
soultrace

灵魂追踪 · Codex、Claude

7,588,94412需要联网未明确有提醒
self-improving

自我完善 · OpenClaw

6,829,2841,046需要联网MIT-0通过
microsoft-foundry

微软代工厂 · Codex、Claude

6,614,144764调用外部服务未明确有提醒
multimodal-models

多式联运模型 · 本页

9984需要联网未明确通过

按安装量取同分类前几名;数字来自第三方目录统计,只作热度参考,不代表质量结论。

SKILL.md 原文

Multimodal Models

Pre-trained models for vision, audio, and cross-modal tasks.


Model Overview

ModelModalityTask
CLIPImage + TextZero-shot classification, similarity
WhisperAudio → TextTranscription, translation
Stable DiffusionText → ImageImage generation, editing

CLIP (Vision-Language)

Zero-shot image classification without training on specific labels.

CLIP Use Cases

TaskHow
Zero-shot classificationCompare image to text label embeddings
Image searchFind images matching text query
Content moderationClassify against safety categories
Image similarityCompare image embeddings

CLIP Models

ModelParametersTrade-off
ViT-B/32151MRecommended balance
ViT-L/14428MBest quality, slower
RN50102MFastest, lower quality

CLIP Concepts

ConceptDescription
Dual encoderSeparate encoders for image and text
Contrastive learningTrained to match image-text pairs
NormalizationAlways normalize embeddings before similarity
Descriptive labelsBetter labels = better zero-shot accuracy

Key concept: CLIP embeds images and text in same space. Classification = find nearest text embedding.

CLIP Limitations

  • Not for fine-grained classification
  • No spatial understanding (whole image only)
  • May reflect training data biases

Whisper (Speech Recognition)

Robust multilingual transcription supporting 99 languages.

Whisper Use Cases

TaskConfiguration
TranscriptionDefault transcribe task
Translation to Englishtask="translate"
SubtitlesOutput format SRT/VTT
Word timestampsword_timestamps=True

Whisper Models

ModelSizeSpeedRecommendation
turbo809MFastRecommended
large1550MSlowMaximum quality
small244MMediumGood balance
base74MFastQuick tests
tiny39MFastestPrototyping only

Whisper Concepts

ConceptDescription
Language detectionAuto-detects, or specify for speed
Initial promptImproves technical terms accuracy
TimestampsSegment-level or word-level
faster-whisper4× faster alternative implementation

Key concept: Specify language when known—auto-detection adds latency.

Whisper Limitations

  • May hallucinate on silence/noise
  • No speaker diarization (who said what)
  • Accuracy degrades on >30 min audio
  • Not suitable for real-time captioning

Stable Diffusion (Image Generation)

Text-to-image generation with various control methods.

SD Use Cases

TaskPipeline
Text-to-imageDiffusionPipeline
Style transferImage2Image
Fill regionsInpainting
Guided generationControlNet
Custom stylesLoRA adapters

SD Models

ModelResolutionQuality
SDXL1024×1024Best
SD 1.5512×512Good, faster
SD 2.1768×768Middle ground

Key Parameters

ParameterEffectTypical Value
num_inference_stepsQuality vs speed20-50
guidance_scalePrompt adherence7-12
negative_promptAvoid artifacts"blurry, low quality"
strength (img2img)How much to change0.5-0.8
seedReproducibilityFixed number

Control Methods

MethodInputUse Case
ControlNetEdge/depth/poseStructural guidance
LoRATrained weightsCustom styles
Img2ImgSource imageStyle transfer
InpaintingImage + maskFill regions

Memory Optimization

TechniqueEffect
CPU offloadReduces VRAM usage
Attention slicingTrades speed for memory
VAE tilingLarge image support
xFormersFaster attention
DPM schedulerFewer steps needed

Key concept: Use SDXL for quality, SD 1.5 for speed. Always use negative prompts.

SD Limitations

  • GPU strongly recommended (CPU very slow)
  • Large VRAM requirements for SDXL
  • May generate anatomical errors
  • Prompt engineering matters

Common Patterns

Embedding and Similarity

All three models use embeddings:

  • CLIP: Image/text embeddings for similarity
  • Whisper: Audio embeddings for transcription
  • SD: Text embeddings for image conditioning

GPU Acceleration

ModelVRAM Needed
CLIP ViT-B/32~2 GB
Whisper turbo~6 GB
SD 1.5~6 GB
SDXL~10 GB

Best Practices

PracticeWhy
Use recommended model sizesBest quality/speed balance
Cache embeddings (CLIP)Expensive to recompute
Specify language (Whisper)Faster than auto-detect
Use negative prompts (SD)Avoid common artifacts
Set seeds for reproducibilityConsistent results

Resources

适合场景

01

文本生成图片

02

图片风格化

03

产品图和创意图

04

需要 FLUX 模型时

能力概览

能力 1

调用 FLUX 图像模型

能力 2

支持文本生图和图像改写

能力 3

覆盖 LoRA 或风格适配

能力 4

适合创意视觉生成

平台分布

Codex

32.68%
按下载量换算106

Claude

30.08%
按下载量换算97

Cursor

17.99%
按下载量换算58

Gemini CLI

10.01%
按下载量换算32

安全审计

Gen Agent Trust Hub

通过

Socket

通过

Snyk

通过

权限和风险

需要联网

该 Skill 可能需要联网访问来源站点、仓库或外部 API;具体网络访问范围需要结合源码和 README 复核。

安装前确认

本站仅展示第三方公开信息,不托管安装包,不提供自动安装或运行环境。安装前应自行审查源码、依赖和命令行为。目前只有一个公开来源,建议同时核对源仓库。

继续浏览同类 Skills