InferNews

Lemo-Opuscar：讓 coding agent 用 66 種程式影像風格拍片

2026 年 11 月 4 日

想把故事變成風格鮮明的短片，可以從 66 種程式製作的影片風格選擇，再交由 coding agent 協助導演。

想把文字故事變成短片，又希望畫面不只停留在一般生成影像的風格，Lemo-Opuscar 提供 66 種可直接選用的程式影像風格，並支援自行修改或從空白開始創作。它是一套以程式碼製作影片的風格工具箱，讓 coding agent 按所選風格處理故事呈現；每種風格亦附有短片示例，方便先看效果再決定方向。

畫面由 canvas 和 WebGL 網頁逐格繪製，音樂採用免費取樣音源製作原創配樂，旁白則使用文字轉語音。這種做法把視覺風格、配樂和旁白組合成一條影片製作流程，適合想快速嘗試不同美術呈現的創作者，也可用於資料敘事、紀錄片及短片概念驗證。

使用者可以先到線上風格展示頁瀏覽範例，再挑選風格、提供故事，或修改既有風格及自行建立新風格。

風格針對 Claude Opus 5.5 調校，作者提醒其他模型未必能重現相同效果；這是選用工具時需要納入考慮的限制。項目亦展示每部作品配合相應風格呈現，說明這套方法可用於較長篇幅的主題作品。

提供 66 種可用影片風格，並可修改或自行創作。
以 canvas、WebGL 逐格繪製畫面，並結合配樂與文字轉語音旁白。
可先瀏覽線上展示頁和短片範例，再決定風格與故事方向。
風格主要針對 Claude Opus 5.5 調校，其他模型的重現效果未有保證。

GitHub

Categories: 開源, 文字轉語音, Agentic, AI productions, 模型, Video, Image, Vibe Coding, 工具, Content Creator, 編程, 語音, Anthropic, 音樂

huashu-motion：AI Agent 按節奏製作產品宣傳片

2026 年 11 月 4 日

由 Claude Code 或 Codex 讀取產品內容、編排動畫和配樂，再讓你在瀏覽器畫面上指定位置修改。製作流程可在本機完成，配樂亦毋須呼叫付費接口。

想把產品介紹變成一支短片，可以直接向 Claude Code 或 Codex 提出需求；huashu-motion 會先閱讀產品內容，提供三個創作方向，再編寫動畫與配樂，並在瀏覽器開啟編輯器。它是一套供 AI Agent 使用的動畫製作 skill，處理從產品內容到宣傳片、再到局部修改的工作流程。

修改方式著重畫面定位：在預覽中按 C，再點選要調整的位置並留下意見。評論會附上時間點、場景、所選元素及其原始碼位置，Agent 可針對該處修改；版本會保留，亦可撤回。標題、數字、顏色和停留時長等項目則可直接在編輯器輸入框調整。

配樂不是完成影片後才補上的背景音。Agent 會先按節奏單寫 ABC 記譜法樂譜，並以樂譜標記配合場景切換；樂器音色可選本機採樣或合成音色，音效則配合畫面元素落地的時刻。本機生成配樂不需付費接口；使用三腳鋼琴、弦樂和鼓組等真實樂器音色，需另行下載約 55MB 採樣。口播亦屬可選功能，Kokoro 中文語音和逐字對齊各有額外安裝需求。

項目列出以 Chrome、Chromium 或 Edge 執行截帧、檢查及匯出，不需另外下載渲染器；也展示 Claude Code、Codex 和 DeepSeek V4.1 Flash 等案例。當中一支 22 秒動效片以 DeepSeek V4.1 Flash 製作，經三輪修改，不到半小時完成；文中記錄當時費用為 1.95 元，不能視為固定成本或其他模型的效能保證。安裝方式雖有列出，但資料沒有完整說明各平台的操作流程，首次使用仍要按所選音色和口播功能處理相應依賴。

先閱讀產品內容，再提供三個方向並生成完整短片。
在預覽指定畫面位置，讓 Agent 針對局部修改；版本可保留和撤回。
配樂以 ABC 樂譜和場景標記同步，音樂及音效可在本機生成。
可透過瀏覽器截帧、檢查和匯出；真實樂器採樣與中文口播需額外依賴。

這套流程適合需要快速製作產品發布片、又希望保留逐處審核和修改能力的產品及設計團隊。它把創作交給 Agent，但仍讓人透過畫面評論調整細節；採樣下載、語音工具安裝及各平台實際操作方式，則是導入前需要確認的成本。

GitHub

Categories: 開源, Agentic, AI productions, 模型, DeepSeek, Video, 工具, 語音, Anthropic, 動畫, 音樂, Skill 技能

teardown：把機器原理變成可拆解的 3D 模擬器

2026 年 11 月 4 日

想了解引擎、手錶或挖掘機怎樣運作，可以讓 Claude Code 生成一頁式模擬器，邊看機器運轉，邊拆開部件追蹤數值。

想弄清楚四衝程引擎如何運作，單看文字或靜態圖解未必容易掌握部件之間的關係。teardown 是一項 Claude Code skill，會按自然語言指示生成離線 HTML 3D 模擬器，讓機器在畫面中央運轉，周邊面板同步顯示數值，亦可按鈕打開正在工作的部件。

使用者可在 Claude Code 以日常語句描述想了解的機械，例如機械手錶或液壓挖掘機臂，再要求生成模擬器；項目亦附有 V8 引擎、Cessna 飛機和 Strandbeest 機械生物三個例子，可用 Node.js 建成單一 HTML 頁面。安裝需要 Node.js 20 或更新版本，以及 Playwright 的 Chromium；影片輸出另需 ffmpeg，聲效製作則需 Python。主要使用方式是透過 Claude Code 提出描述。

生成的頁面會把 three.js 和字體內嵌，方便離線開啟；模擬器閒置時會自動巡覽，亦可把畫面逐格輸出成 60 fps MP4，並配上時間軸聲效。相較只提供動畫的展示頁，它把機械運作、即時數值與可拆解部件放在同一介面。

較適合製作互動式教學素材、概念展示或機械原理解說的教育工作者、設計師和工程團隊。要留意，生成品質會受描述與 Claude Code 產出影響；若內容用於工程驗證或安全判斷，仍需另行核實模型設定與數據。

以自然語言要求 Claude Code 建立機械 3D 模擬器。
單一離線 HTML 頁面包含機器動畫、數值面板和部件拆解互動。
可將模擬器畫面輸出為 60 fps MP4，並加入程序化聲效。
內附 V8 引擎、Cessna 飛機及 Strandbeest 三個示例。
文件未提供物理準確度評測，生成結果不宜直接當作工程驗證。

GitHub

Categories: 開源, AI productions, 模型, Video, 教學, 3D, Python, 安全, Anthropic, 動畫, 聲效, Skill 技能

Motion Prompt：萬用 AI Motion Graphic

2026 年 11 月 3 日

想叫 AI 加入某種鏡頭運動或網頁效果，卻不知道該怎樣描述？Motion Prompt 把名稱、動態示例和提問範本放在一起，方便查找與轉交創作要求。

描述鏡頭運動、動態圖像或網頁效果時，光靠「有感覺一點」往往難以讓 AI 掌握方向。Motion Prompt 是一個創作名稱與示例庫，收錄 192 個名稱，每項附有動態示範、簡短解釋和提問例句，涵蓋動態圖像、鏡頭運動、UI 元件、網站效果和攝影風格。

使用者可在網上 Gallery 播放示例、搜尋名稱，再選取多項並附上備註，將整理好的要求交給 AI；不使用技能時，也可複製提示詞和示例連結。 packs/ 提供五種語言的名稱清單，包括繁體中文。項目亦提供建立自訂領域及語言版本的提示詞；說明了技能安裝方式，但沒有提供完整的手動部署流程。

與只列術語的詞典相比，Motion Prompt 把可觀看的動態參考和可直接改寫的提問放在同一項目；每個示例的參考實作以 Canvas 2D 撰寫，不依賴外部程式庫，並可逐格繪製及用於影片輸出。它提供的是創作參考與溝通素材，不代表不同 AI 模型都能產生相同效果，也沒有提供量化性能評測。

可播放示例，並按名稱或編號查找。
多選示例、加入備註，再把要求交給 AI。
不使用技能時，可複製提示詞及參考連結。
提供繁體中文清單，以及製作自訂名稱庫的提示詞。

影片創作者、設計師和需要以 AI 協作的前端團隊，可用它把抽象的視覺想法轉成較具體的術語與參考。若工作流程依賴特定模型或成品品質，仍需自行測試提示詞能否帶出預期結果；現有內容主要是示例庫，並非生成模型或效果保證。

項目主頁 · GitHub

Categories: 開源, AI productions, 模型, Video, Image, 提示詞, Content Creator, 庫, Anthropic, Skill 技能, UI/UX

BYOD：用單張 GPU 將指令模型改造成雙向擴散模型

2026 年 11 月 3 日

BYOD 讓你從 Colab Notebook 選擇指令模型並進行訓練，再透過互動介面觀察逐步去噪生成；但快速模式不會重現論文分數。

BYOD 把指令模型轉成雙向遮罩擴散語言模型，讓模型生成文字時能逐步去噪，並在互動頁面即時查看生成變化。它是模型訓練工具，主要處理如何用單張 GPU 訓練這類模型；Colab Notebook 可選模型、啟動訓練及查看 loss 曲線，第 6 步會開啟可調整生成設定的推理介面。

使用方式分為 Colab 和本機兩條路徑：Notebook 會沿用 Colab 的 PyTorch、CUDA 套件，只在啟動推理介面時安裝 Gradio；本機訓練則需 NVIDIA GPU、Hugging Face 讀取權杖，並先接受受限模型的使用條款。本機推理網頁需安裝 .[demo] 套件。訓練資料會自動下載，手動中止時會保存 interrupted/，可載入該次結果繼續推理。

BYOD 以 LoRA 微調既有模型，而非從頭訓練；quick 模式採用較小模型和 rank-128 LoRA，適合先檢查流程，但不會重現論文分數。paper 模式使用 rank-1024 LoRA，原始訓練使用 96 GB 記憶體，對硬件要求高。兩種模式預設均訓練 25,000 次更新，訓練與驗證 loss 若出現 NaN 或無限值，程序會報錯並保留先前最佳 adapter。

Notebook 提供模型選擇、訓練和 loss 曲線檢視。
推理介面可調整生成設定，並即時查看去噪過程；也支援載入中斷訓練的結果。
可選 Llama、Gemma、Qwen 和 Ministral；各模型提供不同 quick 或 paper 配置，Ministral 只有 paper 配置。
評估在每個 checkpoint 執行，輸出只保留 best/；本機訓練要求 NVIDIA GPU，quick 模式不等同論文設定。

研究者和模型工程團隊可用它比較不同指令模型經擴散式訓練後的生成過程，也可先透過託管示範體驗已訓練模型。若目標是復現論文結果，應採 paper 配置並準備高記憶體 GPU；低資源測試則可用 quick 模式確認訓練流程。

GitHub

Categories: 開源, 模型, 模型訓練, Qwen, NVIDIA, Gemini, 工具, LLaMa, Python, LoRA

Phone Harness MCP：AI 直接操作雲端上的手機模擬器

2026 年 11 月 3 日

要測試手機 App，AI 代理可以直接查看 iPhone 或 Android 模擬器畫面，再進行點按、輸入和滑動。Phone Harness MCP 讓這些操作透過 MCP 連接器交給代理執行。

測試手機 App 或重現操作流程時，AI 代理可以透過 Phone Harness MCP 查看手機畫面、點按、輸入文字、滑動及開啟 App。它屬於 MCP 工具，將雲端專用 iPhone 或 Android 模擬器接到 Claude、Cursor、ChatGPT、Codex 等 MCP client，讓代理直接操作裝置。

連接方式是把 Phone Harness 加入支援自訂連接器的 MCP client，使用服務網址登入；連線採用 Streamable HTTP，OAuth 要求 phone:drive 權限，也可用 API key 作 Bearer token。項目聲稱毋須 Mac、adb 或裝置配對，但這代表操作依賴雲端裝置，並非連接使用者手上的手機。

和需要本機裝置、開發環境及配對程序的測試流程相比，Phone Harness 把裝置控制交由雲端服務處理，減少本機準備工作；代價是要登入並授予手機操作權限，亦須視乎服務提供的裝置與連線狀態。項目提供 Claude、Cursor、ChatGPT 和 VS Code 的連接方法，但未提供效能數據或完整的裝置供應、費用及可用性細節。

適合需要讓 AI 代理測試 App、執行手機操作流程，或在不同 MCP client 中驗證代理能力的開發者和測試團隊。連接前可先確認團隊帳戶是否支援自訂 MCP server；ChatGPT 網頁版的自訂連接器只供 Business、Enterprise 和 Edu 工作區使用，Pro 帳戶則只支援讀取及擷取工具，不能用來操作手機。

支援雲端專用 iPhone 和 Android 模擬器。
代理可查看畫面、點按、輸入、滑動及開啟 App。
透過 MCP 連接器和服務網址登入，不需本機 Mac 或 adb。
OAuth 要求 phone:drive 權限，亦可使用 API key 作 Bearer token。
ChatGPT Pro 帳戶不能透過自訂 server 驅動手機。

GitHub

Categories: 開源, MCP, OpenAI, API, 工具, IDE, Mac, Anthropic

CoworkOS：2D/3D 網頁任務統一工作流

2026 年 11 月 3 日

複雜項目往往要跨多日推進，也需要人手覆核和中途調整。CoworkOS 讓 AI 代理接手分工與持續監察，並保留進度、記錄及待審核成果。

從研究、文件到 CAD 和 Blender，CoworkOS 讓人與 AI 代理在同一工作空間協作，處理需要多步推進、跨日跟進的工作。它屬於開源 AI 協作執行框架，目標是把任務由規劃、分工一路帶到可檢查的成果；長時間運行的 Jobs 會保留狀態和日誌，遇到等待或中斷後仍可接續處理。

代理工作分成三層：Main Agent 制定計劃、分派任務及檢查成果；Coordinator Runtime 負責派送子任務並追蹤進度；可選用的 Subagents 則執行範圍明確的工作。模型負責決定任務策略，執行環境則維持協調、回饋和工作連續性，避免把多代理協作的管理全交由模型自行處理。

CoworkOS 把 CLI、搜尋、檔案和 MCP 接到文件編輯器、簡報、CAD 與 Blender 等工具，人和代理可以共同修改文件、模型及場景。階層式工作空間和語意記憶用來延續項目脈絡；候選修改會保留版本資訊，讓人先檢查再整合。這種做法適合需要覆核、追蹤及中途改方向的團隊，但可用工具和模型服務的實際配合仍會影響工作流程。

研究團隊也可用同一套機制建立長期監察迴圈，例如分析模型失誤、改善訓練資料、執行訓練及驗證結果。配套研究報告記錄了 Qwen3.6-35B-A3B 經五輪後訓練後，在八個基準的平均分由 33.19 升至 42.95；這是特定實驗結果，各任務仍有升跌，不能直接視為其他模型或工作流程的保證。

Jobs 保留長時間任務的狀態與日誌，方便中斷後繼續監察。
Main Agent、Coordinator Runtime 和 Subagents 分別負責規劃、協調與執行。
人與代理可共同處理文件、簡報、CAD 模型及 Blender 場景。
候選修改可先經人手檢查，再整合到項目成果。

CoworkOS 面向使用 macOS 的研究人員及需要多工具協作的團隊，支援 Apple Silicon，並要求 macOS 14 或以上及 Node.js 22.19.0 或以上。儲存庫資料提及可透過 npm 安裝，亦提供文件、展示及即時示範連結，開始部署前，仍需查閱項目文件確認模型服務與工作空間的配置方式。

項目主頁 · GitHub

Categories: 開源, 北京大學, Agentic, MCP, 模型, 模型訓練, Qwen, 框架, 工具, Mac, 庫, 中國, 蘋果, Dataset 數據集

CUA-Master：把教學影片變成電腦操作訓練資料

2026 年 11 月 3 日

教學影片可以變成代理的操作練習，但仍要接駁沙盒。CUA-Master 串起任務挖掘、驗證與訓練資料製作。

把軟件教學影片轉成可驗證的操作任務，CUA-Master 這套框架協助團隊訓練電腦操作代理（Computer-use agents，CUAs）。它會按模型弱點補充任務，讓資料建構與模型改進互相帶動。

框架結合字幕語意與畫面變化重建操作軌跡，再抽取可重用的能力單元，控制新任務涉及的能力及應用程式數量。沙盒執行失敗後，可按回饋回復快照重試；已驗證軌跡可轉成 ms-swift 格式的監督式微調（Supervised Fine-Tuning，SFT）資料。

準備測試需要安裝依賴及接駁服務：

以可編輯模式安裝，加入 seeding、annotator、collection、dev 依賴。
複製 .env.example 為 .env，填入 API 金鑰及沙盒服務端點。
經 provider 介面接駁自己的沙盒後端，再按範例設定搜尋影片資料、下載選定影片；命令支援 –help。

官方公布 CUA-Master-27B 在 OSWorld Verified 得分為 80.2，在 OSWorld 2.0 為 36.9，兩者不可直接當成同一尺度比較。項目較適合有沙盒及訓練資源的代理研究團隊；提供的快速開始內容未完整展示後續流程，尚不足以照抄完成整條訓練流程。

項目主頁 · GitHub · 模型

Categories: 開源, 香港中文大學, 香港科技大學, Agentic, AI productions, 模型, 模型訓練, API, Video, 框架, 教學, 軟件

NorthCUA：讓桌面與網頁任務留下可查證成果

2026 年 11 月 3 日

交給 AI 的桌面任務，可以連同操作過程與成果一起檢查。NorthCUA 容許自選模型，但接入仍有能力要求。

讓 AI 操作桌面與網頁後，還能檢查最終檔案或軟件狀態，NorthCUA 把這一步納入開源執行框架 Harness。它串連操作、畫面資訊、工作筆記與結果檢查，讓長任務保留中間進度。

框架建基於 NexAU，不綁定單一模型，但接入的視覺模型須支援結構化工具呼叫。NorthCUA 模型系列則基於 Qwen3.5，提供 Nano、Mini、Pro 三種規模；框架與模型應分開理解。

可先試免金鑰的本機教學，再接入模型執行任務。
docs/first-run.md；所附節錄未提供完整安裝步驟。
支援可恢復的批次執行，並保留過程記錄供檢查。

項目公布 Pro 在 OSWorld-Verified 得分為 88.6%，測試涵蓋 361 個任務、上限 100 步，排除 8 個 Google Drive 任務。參考模型的操作介面與結果彙整方式不同，不能直接視為同條件比較。

需要追查操作失敗原因、驗證交付成果的自動化團隊較容易受益；具體任務能否完成，仍要接入模型後測試。

項目主頁 · GitHub

Categories: 開源, 模型, 視覺模型, Qwen, 框架, 教學, 軟件, 工具

WaveForcing：讓多步影片生成每秒 134.8 幀

2026 年 11 月 3 日

WaveForcing 讓多段影片同步去噪，持續輸出畫面；高速度背後，仍要付出多張高階 GPU 的成本。

WaveForcing 讓影片不同片段同步去噪，毋須逐段完成才繼續。這套串流影片擴散方法在流水線填滿後，每輪前向運算便輸出一個片段，適合研究連續影片生成的團隊。

Wave Parallelism 讓各張圖形處理器（Graphics Processing Unit，GPU）持有完整模型，分工處理不同片段與去噪階段，而非拆開模型。較嘈雜的新片段可參考較乾淨的舊片段，Wave Runtime（WaveRT）則把資料傳送與運算重疊，減少等待。

WaveForcing-1.3B 提供 4-step、5-step 權重。
推理程式與 WaveRT 已開源。
快速開始範例採用八張 GPU，並非單卡配置。

測試環境已驗證 Python 3.12、PyTorch 2.11.0+cu128、SGLang diffusion runtime 及 Hopper GPU。準備測試須下載基礎模型與 WaveForcing 權重。

4-step 版本在八張 H200、832×480 解像度下，連同解碼達每秒 134.8 幀。這個結果展示多卡串流吞吐量，不能當作單卡速度或首幀延遲；硬件成本仍是採用門檻。

項目主頁 · GitHub · 模型

Categories: 開源, 北京大學, AI productions, 模型, 視頻模型, Video, Python, 中國

Page 1 of 185

1 2 3 … 185 Next »