07 月 29 日
141 条动态
- DyRef 解决的是复杂多参考图像生成：模型要同时处理身份、背景、姿态、光照和风格，而且这些参考条件之间不能互相打架。 团队还构建了 OmniRef-Bench，包含 395 个样本，覆盖 5 类参考图，每个样本 2 到 7 张参考图，最多同时出现 4 类参考信息。 方法上，DyRef 采用两阶段训练：先监督微调打基础，再用强化学习做 动态奖励优化，让更难的样本在训练中占更大权重。 在 OmniRef-Bench 上，文中称 Qwen-Image-Edit-2511 的 MLLM 平均分从 4.97 提升到 8.38，缩小了与 NanoBananaPro 的差距，并超过了 Seedream4.5。 文章还提到，它在 MultiBanana、OmniContext 以及单图编辑基准 ImgEdit、DreamBench++ 上也有提升。
Reddit 总结出一套 Krea 2 Turbo 手机写实流程 这条帖子给出一套不靠 LoRA、也能把 Krea 2 Turbo 拉到接近手机照片质感的流程，并配了对比图展示效果变化。作者认为，按这套做法通常能达到“90% 以上”的手机写实度；如果再叠加写实 LoRA，还能继续提升。 核心步骤包括： 1. 把正向提示词写得足够具体，不要只写“手机照片”。 2. 分辨率提高到约 2MP。 3. 改成 9:16 纵向比例。 4. 把采样步数提高到 8、11 甚至 14。 5. 用 CFG 1.2 并加入负向提示词，压掉 DSLR、虚化、胶片感等元素。 6. 额外描述背景细节，增强真实感。 作者还提到，某些 bypass LoRA 能改善提示词服从度，尤其是表情和体型控制；但 CFG 过高也会带来更强饱和、重复和图像“炸裂”问题。
近期 Gemini 被宣传为一款端到端的视频创作与编辑工具。据帖子透露，用户仅需一条提示词，Gemini 即可在几分钟内完成视频脚本生成、剪辑和润色，主打无需手动拖拽时间线或切镜头。其展现出的自动化创作能力，直接使其被拿来与剪映、CapCut 等主流视频编辑工具进行对比，引发了关于 AI 改变视频创作流程的讨论。
近日，有创作者测试了LTX 2.3视频生成工作流，通过使用自训的“penny”LoRA模型，成功生成了一段Pixar风格的动画视频。该演示作品名为“Penny's first day as a barista”，展示了该模型在特定风格化视频生成上的潜力。目前作者仍在持续优化提示词，以进一步提升生成效果。
这条 Reddit 展示了用 Seedance 2 做出来的短打斗片段。它更像是一个直接的模型演示，而不是讨论帖，重点在于视频生成已经能做出相当连贯的动作编排和镜头表现。
一位 Reddit 用户在测试 LTX 2 outpainting 后表示，效果“强到让人压倒”，而且搭建成本很低。 这次测试做的是《指环王》IMAX 风格的扩图。 作者也承认有一些瑕疵，比如个别人脸被替换成了兽人。 但他认为整体质量已经足够惊艳，缺点只是次要问题。
一位开发者在 Reddit 求助，称在 ComfyUI 中使用 Krea 2 模型时，一旦加载任何尺寸的 LoRA，图像生成时间就会延长 2 至 4 倍。他附上了自己的启动脚本参数（包含 --lowvram、--disable-smart-memory 等显存优化选项），询问社区是否有针对性的调整建议，以解决 LoRA 导致的严重性能损耗问题。
这条 Reddit 只写了 “Black Weep” 并附上一个视频片段，属于典型的视觉作品展示帖。正文没有更多解释，但从呈现方式看，它更像是为了审美和传播效果而做的生成或剪辑作品。
Captions公司旗下的Mirage发布了全新AI数字人模型Avatar X。该模型仅需10秒视频素材即可生成高保真个人分身，并将技术重点从单一的口型对齐升级为身份保真与情绪反馈。多位实测者认为其微表情和肢体反馈自然度明显优于现有产品，有效解决了长视频生成中的细节漂移问题。
这条帖子的核心判断很直接：超过 90% 的 AI 视频缺少故事性。 它指出当前 AI 视频内容的主要问题并不只是画面质量，而是叙事结构、情节推进和“为什么要看下去”的动机不足。
一名开发者在 GitHub 上传了 ComfyUI-SeedVR2_VideoUpscale 的修复分支，重点解决了启用 ConvRot INT8/NVFP4 时的显存（VRAM）占用问题。 该开发者已在 Windows 11、RTX 5060Ti 16GB 环境下完成测试，并提供了基准测试数据，证实显存消耗得到显著降低。此外，他建议在使用 NVFP4 时仅对 VAE 应用 Torch Compile。由于官方仓库已长达七个月未更新，作者目前对是否提交 PR 持观望态度。
ImagineArt 表示，Seedance 2.5 将很快上线其平台，并通过 BytePlus 提供支持。 这条信息没有给出太多技术细节，但它仍然是一个明确的产品动态：一个媒体生成模型正进入面向用户的创作工具。对关注视频生成或多模态创作工作流的人来说，这意味着该模型又多了一个分发入口。
又一条用 Runway 上的 Seedance 2 做出的 NERF → 写实 风格转换测试视频。作者表示这个效果足够有趣，甚至考虑围绕它做成一部电影；最终成片还用了 CapCut 做剪辑。
Cartesia 认为，判断一个 TTS 模型好不好，远比一句“听起来不错”复杂。文章把质量拆成至少五个维度：正确性、音频质量、上下文正确性、自然度、鲁棒性。 核心结论是：模型越强，评测越难。等到明显的口误、杂音、失真都被修掉后，真正难测的是名字、数字、混语、上下文歧义这些更贴近生产环境的问题。
这是一篇深度技术博客的第一部分，作者分享了历时四个月的实验：尝试教导神经网络使用 Gabor 小波（Gabor wavelets）来渲染自然图像。 在各大厂商追求超写实图像/视频生成模型的热潮下，作者反其道而行之，探索更小、独特且自训练的模型。作者以这种熟悉的 Gabor 表示为切入点，在 Claude 的辅助下进行机器学习探索，旨在发现创意工具并实现更具表现力的图像生成路径。
开发者发布了适用于 Krea 2 模型的 Don Martin LoRA，能够生成 Mad 杂志传奇漫画家 Don Martin 标志性的夸张、搞怪风格图像。 该模型训练至 1200 步，在大多数情况下无需特定触发词即可生效。作者表示，如果提示词中包含过多其他风格描述（如“neon”等），添加“a cartoon”或“an illustration”能获得更稳定的效果。模型已在 Civitai 和 Hugging Face 上开源。
开发者发布了一款专为 Krea-2 模型设计的 Depth LoRA，能够将任意输入图像转化为高质量的深度图（Depth Map）。 该 LoRA 采用了两阶段渐进式分辨率训练策略： 阶段一（512分辨率预训练）：在2000对公开数据集上训练，利用 VLM 重新生成描述以增强图文对齐，建立稳定的深度结构先验。 阶段二（1536高分辨率微调）：专注于细节重建，优化边缘和精细几何结构，采用余弦学习率以稳定收敛。 使用注意：必须配合 ComfyUI-EditUtils 插件才能正常工作，建议输入图像最长边在 1024 至 2048 像素之间以获得最佳效果。
这条帖子是在推荐一段关于 Higgsfield 的视频，作者直说“任何想用 Higgsfield 的人都值得看”。 帖子本身没有展开更多技术细节，但语境表明它更像是一段面向实操用户的讲解或评测，重点是帮助理解这款视频生成产品的使用方式。
Magnific 预告即将接入由 BytePlusGlobal 提供支持的 Seedance 2.5 视频生成模型。据预告信息显示，新版本功能大幅提升，最多可支持 50 张参考图，并能够生成最长 30 秒的视频。目前该功能已进入上线倒计时阶段，引发社区广泛关注。
社区近期推出了针对Krea 2模型的快速LoRA训练工具与实操教程。该工具主打在极低资源环境下的可用性，仅需11GB显存和16GB内存即可运行。配套的开源教程详细展示了数据重标注、自适应学习率调整等核心微调技巧，能够帮助开发者在两分钟内快速完成Krea 2的LoRA训练。
作者分享了一个把 Codex、Claude Code 和 Higgsfield MCP 串起来的实战工作流：先让 Codex 为 Open Field 做出完整 demo，再让它生成带有“ScreenStudio 风格”的发布视频、交互式 UI 和用户视角录制，最后切到 Claude Code，通过 Higgsfield 的 MCP 直接在聊天线程里给视频补上配音。 具体流程包括： 用 Codex 生成 demo、时间轴和旁白文稿 在 Claude 里直接挑选并测试不同声音 把旁白按动作节奏对齐到视频里 在同一个对话中完成视频润色和语音添加 作者的观点是：所谓“AGI”更像是把一堆现成工具正确拼接起来；前沿实验室已经把能力拆成了很多可组合的模块。帖子最后还介绍了 Open Field：一个面向数学和科学开放问题的平台，主张通过公开验证、独立审计和链上可追溯记录来处理新发现。
这条帖在讲一个生成式渲染里的角色一致性事故：为了保住同一个人物，制作方前后试了四次失败渲染；三次单独生成各自产出了三个不同的女孩，连 QC 工具拿着作者自己的外形都判定成了“完全不同的角色”。 作者说，真正的修正办法不是继续硬生成，而是回到单次渲染内的连续性：靠一张 model sheet、三个嘴型、裁切和循环来维持一致。文末还提到，那个缠着绷带的喉部设定在所有变体里都保住了。
泄露的时间表显示，视频生成模型即将迎来密集发布期。Hailuo 3 预计于 7 月 29 日登场，Seedance 2.5 也有望在 7 月 31 日左右上线。此外，FLUX 3 和 WAN 3 分别预计于 8 月 4 日和 6 日接连发布，行业即将进入视频模型的新一轮激烈角逐。
一个“有点诡异”的修图应用已经开放 beta 测试。它用 seam carving 做内容感知缩放，并结合 Apple Vision 和 Roboflow RF-DETR 来识别人、物体和图片中的关键区域。 作者强调，这套流程 全部在 iPhone 本地运行，后续还会公开给更多用户试用。
