aha/docs/supported-models.zh-CN.md

支持的模型

aha 支持多个领域的最先进 AI 模型集合。

文本生成

模型	参数量	描述	使用场景	开源协议
Qwen2.5-VL-3B	3B	多模态大语言模型	对话、推理、视觉	Qwen 研究许可协议
Qwen2.5-VL-7B	7B	多模态大语言模型	对话、推理、视觉	Apache 2.0
Qwen3-0.6B	0.6B	最新一代	高级推理	Apache 2.0
MiniCPM4-0.5B	0.5B	高效轻量级	边缘部署	Apache 2.0

视觉与多模态

模型	参数量	描述	分辨率	开源协议
Qwen2.5-VL-3B	3B	图像理解	最高 1024x1024	Qwen 研究许可协议
Qwen2.5-VL-7B	7B	图像理解	最高 1024x1024	Apache 2.0
Qwen3-VL-2B	2B	增强多模态	最高 1536x1536	Apache 2.0
Qwen3-VL-4B	4B	增强多模态	最高 1536x1536	Apache 2.0
Qwen3-VL-8B	8B	增强多模态	最高 1536x1536	Apache 2.0
Qwen3-VL-32B	32B	增强多模态	最高 1536x1536	Apache 2.0

语音识别 (ASR)

模型	参数量	语言	实时	速度	开源协议
Fun-ASR-Nano-2512	2512M	中/英	是	16x 实时	未标明
GLM-ASR-Nano-2512	2512M	中/英	是	32x 实时	MIT
Qwen3-ASR-0.6B	0.6B	中/英	是	快速	Apache 2.0
Qwen3-ASR-1.7B	1.7B	中/英	是	快速	Apache 2.0

OCR

模型	语言	类型	优势	开源协议
PaddleOCR-VL	80+	轻量级	通用文档	Apache 2.0
Hunyuan-OCR	中文	深度学习	复杂布局	腾讯混元社区许可协议
DeepSeek-OCR	多语言	场景文字	自然图像	MIT

语音生成

模型	参数量	类型	描述	开源协议
VoxCPM-0.5B	0.5B	语音编解码器	神经音频编解码	Apache 2.0
VoxCPM1.5	-	语音编解码器	增强语音生成	Apache 2.0

图像处理

模型	类型	描述	开源协议
RMBG-2.0	背景移除	移除图像背景	CC BY-NC 4.0

模型来源

模型来源：

• Hugging Face - 主模型中心
• ModelScope - 中文模型中心

添加新模型

参见 开发指南 了解添加新模型集成的说明。

许可证合规

重要提示：每个模型都有自己的许可证。在生产环境使用前请查看模型许可证。一些关键注意事项：

• Apache 2.0: 宽松许可，支持商业使用
• MIT: 宽松许可，支持商业使用
• Qwen 研究许可协议: 研究用途，可能有使用限制
• 腾讯混元社区许可协议: 自定义许可，请查看条款
• CC BY-NC 4.0: 仅限非商业用途

在生产环境部署前，请务必验证许可证条款。

模型更新

模型定期更新。查看 releases 获取最新版本。

性能基准

CPU (M1 Pro) 上的近似推理速度：

模型	任务	Tokens/秒
Qwen3-0.6B	文本	40-50
Qwen2.5-VL-3B	视觉	20-30
Qwen3-ASR-0.6B	ASR	200-500x
VoxCPM-0.5B	TTS	实时

基准测试因硬件和输入大小而异。