InferNews

H3 分鏡技能：分鏡及表情提示

Share to X

這個 Claude Code 技能把腳本拆成 MiniMax H3 可渲染嘅分鏡，主打情緒表演真正落到畫面。佢直接指出：同一格塞太多表情指令，H3 會靜靜丟棄。

Repository image for phileiny/h3-storyboard-skill

用 H3 做有情緒起伏嘅影片，最容易撞牆嘅位通常唔係 prompt 寫得唔夠仔細，而係你貪心將太多表情塞落同一格。呢個 Claude Code 技能就係針對呢個盲點：佢唔止幫你格式化 H3 嘅 prompt schema，仲會教你點樣拆鏡頭、每格留幾多 beat、點樣導演一張臉。

核心發現來自一個對照實驗。同一個 shock beat、三次跑、同一粒 seed、同一批 reference 圖，只改動鏡頭結構：A 方案係一格 7 秒 close-up 塞 9 個表情指令，結果臉完全唔郁，PSNR 高達 37–42 dB，即係畫面接近凍結；B 方案拆成三格 2–3 秒、每格一個 beat，PSNR 跌到 22–23 dB，所有 beat 都落到；C 方案喺 B 基礎加返 <d> 對白標記，PSNR 再降到 19 dB，但代價係鏡頭時間被 H3 重新分配，背景角色連門一齊被裁走。結論好直接：開工前先數 beat，超過兩三個就要拆鏡頭。

另一個值得留意嘅細節係「唔好寫乜都唔變」。H3 對靜態描述容易洩漏到成個鏡頭，想表達 pause 就交俾剪接手。尺寸同距離方面，佢建議用相對關係（畫面三分二高、離底部一手寬）而唔係絕對數字，否則渲染出嚟會走樣。形狀就靠 reference 圖頂住，純文字三次都搞唔掂一個 1.75:1 嘅窗框。

需要用 H3 拍敘事短片、廣告 storyboard、或者任何要精準控制表情嘅創作者。比起坊間只做翻譯嘅 H3 技能，呢個項目多走一步：佢承認有啲規則只係推論（effect 係真實嘅，cause 仍未隔離），全部齊齊整整列喺 SOURCES.md 分做 verified、partly verified、inferred。

  • 屬於工具類 Claude Code 技能，解決 H3 prompt 表情指令被靜默丟棄嘅問題
  • 對照實驗證明分鏡頭係恢復情緒表現嘅關鍵機制
  • 對白標記唔會令臉郁，只會改變 H3 對鏡頭時間嘅分配
  • 距離用相對關係、形狀靠 reference 圖，純文字描述容易失效
  • SOURCES.md 將規則分三級誠實標註，邊個有控制實驗支持一目了然

GitHub

Categories: 開源, ComfyUI, Anthropic, MiniMax, Skill 技能

ABot-Recon 用 12 幀極簡局部記憶重建 3D

Share to X

AMAP CVLab 提出的 ABot-Recon 放棄複雜的長程記憶機制，改用固定的 12 幀局部上下文，逐步拼接出穩定的長影片 3D 重建結果。

ABot-Recon long-horizon reconstruction teaser

ABot-Recon 是一款專為長影片流（streaming）設計的 3D 重建框架，來自阿里 AMAP CVLab。它選擇了一條反潮流的路線：不堆疊長程記憶模組，而是用固定的 12 幀局部上下文，邊看邊重建。對於自駕車、機器人或 AR 導航這類需要持續處理長影片的場景，直接解決了「序列越長、記憶越爆」的核心痛點。

運作上，模型每一幀只參考前 11 幀的 KV 特徵，預測當前幀的點圖（point map）與相鄰幀的相對位姿，再透過位姿串接逐步還原出全域軌跡與點雲。這意味著模型狀態記憶與單幀計算量都不會隨影片長度增長，硬體門檻更容易控制。

與傳統做法相比，ABot-Recon 刻意避開了持久學習式長程記憶，用一個輕量的 motion-visual rotation refiner 和 composition-aware pose loss 來壓制位姿累積誤差，把「記憶」的責任還給幾何拼接本身。

這套做法適合需要長時間穩定重建、又不想被龐大 GPU 記憶體綁架的團隊，例如自駕資料處理、機器人 SLAM 或城市級掃描項目。Hugging Face 與 ModelScope 已有現成 Demo 可即時試玩，模型權重同步開源；訓練代碼與完整訓練方案預計於 9 月 30 日前釋出。

重點摘要：
– 固定 12 幀局部上下文，拒絕堆疊長程記憶
– 記憶與單幀計算量與序列長度解耦
– 以位姿拼接 + 旋轉優化抑制長距離誤差累積
– Hugging Face / ModelScope 提供線上 Demo
– 訓練代碼與配方預計 9 月 30 日前開源

項目主頁 · GitHub · 模型

Categories: 開源, 阿里巴巴, Agentic, 3D, 視覺模型, Robotic, 世界模型

OpenClaw 2.0 重建介面與記憶連續性

Share to X

OpenClaw 2.0把入門流程、對話延續同穩定性一併重做。對長時間使用 AI agent 的人，差別會先體現在找回上下文同減少中斷。

用得久嘅 AI agent，最怕唔係功能少，而係中途斷線、記唔住之前做過乜，或者想翻查舊對話時搵唔返內容。OpenClaw 2.0 針對呢類問題重做咗網頁體驗，亦加強咗 memory 同 session continuity，令長流程互動唔使成日由頭開始。

今次版本另一個直接影響體驗嘅改動，係 onboarding 變得更簡單。新手由安裝到開始使用嘅門檻降低，而舊用戶就會更在意 reliability pass 帶來嘅穩定性提升；更新說明同時提醒先備份 configuration 同 state，亦提到自動更新失敗時，可以用本地 coding harness 幫手完成更新、排錯同確認 Gateway 正常啟動。

文件列出咗一個幾實用嘅新能力：可以用完整字詞或片語搜尋可見對話內容，之後直接打開相符結果附近嘅訊息。對要追查工作脈絡、整理多輪討論，或者長時間同 agent 協作嘅人，呢個改動比單純加模型選項更有感。

  • 重做 web 體驗，介面與流程更貼近持續使用情境
  • 強化 memory 同 session continuity，減少對話中途斷層
  • 新增對話文字搜尋，可由結果跳回相關訊息位置
  • 做咗大規模 reliability pass，重點放在穩定運行
  • 更新時仍有 migration 要求，Plugin SDK compatibility 亦有保留與修補

OpenClaw 2.0 今次唔係靠單一新模型吸引注意，而係集中修補 AI agent 項目最常見嘅摩擦位：入門、延續性、搜尋同可靠度。對已經把 OpenClaw 放入日常工作流嘅團隊或個人，呢次更新代表系統更接近可長時間依賴嘅狀態；不過升級前後仍要留意 migration 與相容性檢查。

項目主頁

Categories: 開源, OpenAI, Agentic, API, Anthropic, OpenClaw

Code as World: 用於物理推理的智能體

Share to X

它把物理世界拆成可執行的程式表示，再用代理式流程反覆驗證與修正。你可以把它理解成一套把影像觀察轉成可推演世界模型的方法。

MirroS logo

Code-as-World 是一個面向物理推理的研究項目，核心做法不是直接死記像素，而是把世界整理成可執行的程式表示。這樣做的目的很直接：讓模型不只看見畫面，還能整理出物件、狀態、動態規則與彼此關係，方便後續推演和檢查。

它的做法帶有明顯的工具與模型結合味道，提供 Code-as-World-VL-4B 和 Code-as-World-VL-9B 的本地推理與 QuantiPhy 評估。倉庫也提到可用 Python 3.10 或 3.11 在 CUDA 主機上安裝，代表它比較像研究團隊可重現實驗與推理流程的發佈形式，而不是單純示範頁。

和一般只靠像素特徵做判斷的做法相比，這個項目更著重可執行、可驗證、可調整的世界表示。代價是系統會更複雜，因為它要同時處理抽象、組合、模擬與一致性檢查，但換來的是更適合做反事實推演、診斷與物理場景理解。

  • 把物理世界表成程式，方便模擬和驗證
  • 支援本地推理與 QuantiPhy 評估
  • 4B、9B 版本已釋出，方便比較尺度效應
  • 適合做物理推理、世界模型與多模態研究
  • 量化結果顯示，較大模型的平均 MRA 有提升

對做多模態模型、世界模型、機械推理或具身智能的團隊，這類方法會比較有吸引力，因為它把感知和可執行結構連起來。若工作重點是要從影片或觀測中抽出可重用的物理表示，而不是只做單次辨識，這個項目提供了一條相當具辨識度的路線。

項目主頁 · GitHub · 模型

Categories: 開源, NVIDIA, Agentic, 模型, 世界模型, Dataset 數據集

FreeLLMAPI V2 模型整合成單一 API

Share to X

想同時試多個免費模型，但唔想逐間服務商處理金鑰、路由同管理介面，呢個項目就係針對呢個痛點而來。它用 OpenAI-compatible API 包住多家供應商，方便你用同一套接法測試與切換。

Repository image for nglmercer/freellmapiV2

同一個應用想接 Google、Groq、Cerebras、SambaNova、NVIDIA、Mistral、OpenRouter、GitHub Models、Cohere、Cloudflare 同 Z.ai，最煩通常唔係呼叫模型本身，而係供應商差異、可用模型變動，同埋管理方式分散。FreeLLMAPI V2 屬於開源 API 工具，用 Rust 寫後端，將多個免費層模型整合成 OpenAI-compatible API，旁邊再配一個 React/Vite 管理介面，處理查詢、切換同基本營運資訊。

它不只是做 API 轉發。crates/getmodelsapi 會負責 model discovery、scraping、filtering、enrichment、caching 同 serialization，代表項目本身會整理不同來源可用模型；crates/server 就接手 provider adapters、routing、SQLite persistence、health checks、analytics 同 graceful shutdown。呢個分工幾實際，因為你唔需要自己再砌一層模型清單同步服務。

項目比較像自架本地服務：後端預設監聽 127.0.0.1:3001，管理介面可另外用開發模式啟動，也可先 build client 再由伺服器提供內容。另有 desktop tray launcher，會喺本機啟動 server，再用瀏覽器開 dashboard；它唔內嵌 webview，亦唔依賴 Tauri。金鑰保護亦有交代，供應商憑證會用 AES-256-GCM，加密金鑰需用 64 個十六進位字元提供。

取捨同樣明顯。它集中火力解決「多供應商免費模型統一接入」呢件事，對於想快速驗證工作流、建內部工具、或者做模型切換測試的團隊會幾有幫助；但模型可用性本身受外部平台影響，所以 network-dependent provider smoke tests 不會放入一般測試，要另外開 GETMODELS_NETWORK_TESTS=1 驗證。換句話說，API 介面可以統一，免費模型是否穩定供應，仍然要跟住各家服務狀態走。

  • 用 Rust 包辦後端與 model discovery，重點放在穩定服務、路由同資料持久化
  • 提供 OpenAI-compatible API，較容易接入原本已支援 OpenAI 介面的應用
  • 內建 React/Vite 管理介面，唔使自行補一套後台
  • 支援 SQLite，較適合本地測試、小型團隊或輕量內部項目
  • 免費模型來源多，但供應商連線與可用性仍需獨立驗證

GitHub

Categories: 開源, API, 工具

ComfyUI-FL-MiniMaxH3 時間軸節點

Share to X

這套 ComfyUI 節點把 MiniMax H3 的提示詞、音訊與影片生成整理成可重拍、可分鏡及可組裝的時間軸工作流。

想控制影片每一秒出現甚麼畫面、配合節拍切分鏡頭，或者只重做其中一段而保留其餘內容，FL MiniMax H3 提供的是一套 ComfyUI workflow nodes，實際處理 MiniMax H3 影片與音訊 latent 的時間軸編排、取樣和合成問題。

核心節點會建立原生的 nested H3 video/audio latent 及 prompt conditioning。你可以手動設定 timeline，亦可接入 FL PROMPT SCHEDULE；系統支援以秒、frame 或 beat 安排提示詞，並把 H3 image、video、video audio、soundtrack 及獨立 audio reference 編碼到同一條可重用時間軸。

FL MiniMax H3 Prompt Timeline

與先將資料攤平再處理的流程相比，項目保留 MiniMax H3 原有的巢狀影片及音訊結構，並提供 native latent upscaling，調整影片 latent 的高度和寬度時毋須經過 VAE 往返。需要更細緻修整時，pixel-space refinement 才會執行 decode、resize、re-encode，再於指定 sampling-step window 內細化結果。

  • 可按節拍規劃獨立或明確分組的 shots
  • 支援 frame-exact temporal reshots，只重生成指定區間
  • 可把上一個 render 的 authored tail 作為 hard-cut motion context
  • 內置 sampler previews，並可按時間軸組裝最終影片

使用者需要已有節點所需的 H3 text encoder、video VAE 和 audio VAE；適合需要精確控制分鏡、重拍範圍和聲畫結構的 ComfyUI 創作者及影片工作流程，而非用作性能比較。

GitHub

Categories: 開源, ComfyUI, Video, Image, Audio, MiniMax

Semantica 用圖譜為 AI 決策加上可追溯證據

Share to X

Semantica 把分散企業資料整理成 Context Graph 和知識圖譜，再為 AI 決策保留可審計的來龍去脈。對需要解釋原因、追查來源的團隊，這比單靠向量索引更實用。

Semantica

Semantica 是一個開源 Python 庫，做的是把企業資料整理成可查詢的 Context Graph 與 knowledge graph（KG），再把推理、決策與來源脈絡一併留下。它特別適合需要回答「AI 為何這樣判斷」的場景，因為每一步都能追到資料來源與處理過程。

它的做法不是只做檢索，而是先從零散資料抽取實體、關係和衝突資訊，再處理去重、譜系與本體管理，讓圖譜可直接承接 GraphRAG、因果推理和決策分析。官方也提到可自架，並支援 RDF 與 LPG，方便接入既有資料平台。

Semantica Platform Tour | Knowledge Graphs, Reasoning & Decision Intelligence

對 Databricks、Snowflake，或者受監管行業的資料與平台團隊，比把資料送去第三方 SaaS 更貼近實際要求。它不只服務 AI/ML platform teams，也照顧合規、風險和審計需求，因為 provenance 和 lineage 不是事後補寫，而是系統的一部分。

目前文件強調的是可解釋、可追溯與可自託管，並沒有把自己包裝成單純的模型套件。若團隊已經有 LangGraph、CrewAI 或 LlamaIndex，Semantica 比較像補上「上下文治理」與「決策證據」那一層，而不是取代原本的 LLM 流程。

  • 把碎片化資料轉成可查詢的 Context Graph 和 KG
  • 保留決策來源、譜系與審計軌跡
  • 支援 GraphRAG、因果推理與本體管理
  • 可自架，避免資料先送出企業邊界
  • 適合合規、風險與 AI 平台團隊

項目主頁 · GitHub

Categories: 開源, Agentic, KnowledgeGraph, LangGraph, Python, 庫

MiniMax H3 迎來 19 款 LoRA，影片生成速度與風格同步擴展

Share to X

MiniMax H3 的 LoRA 生態逐步成形，從加速推理到角色動作與畫面風格，為 ComfyUI 工作流提供更多選擇。

AVvXsEjfkOvyf5h2H5Z vYu8kIES0pGOidPGIbqyszhocYoXkK67 2yzenUgugZ9qtXe3Hzn5kB0K6Sdy36A78G4DPO1 veLpRRoPuSivw3r4Vdw zSOSgs1

想用MiniMax H3製作影片時，速度、動作表現和視覺風格往往難以同時兼顧。這項整理聚合19款MiniMax H3 LoRA（Low-Rank Adaptation）模型及變體，讓使用者按工作流需要調整生成方式，而不只依賴基礎模型。

加速類模型以Alibaba的MiniMax-H3 Acc LoRAs為例，透過Parallel Decoding Distillation（PDD）支援FL2VA與Ref2VA工作流，目標是在較少推理步數下維持影像質素。MiniMax H3 Turbo Sparse Linear Attention LoRA則採用Sparse Linear Attention（SLA），以85%注意力稀疏比例提升效率，在NVIDIA RTX 5090上約可達2.5倍推理速度。

其他變體針對不同創作需求，包括1930年代手繪動畫質感、Z-Image風格帶來的紋理和較自然的粗獷感，以及更適合本地執行的4-bit版本。模型需要配合MiniMax H3基礎模型與ComfyUI工作流，LoRA檔案則放入ComfyUI/models/loras資料夾。

• 以少量步數加快影片生成
• 支援FL2VA及Ref2VA工作流
• 涵蓋動畫、寫實、動作和鏡頭風格
• 提供VRAM較友善的4-bit選項
• 速度提升仍需按硬件與畫質要求取捨

適合已使用ComfyUI，並希望細緻控制生成速度、角色移動、鏡頭行為或整體美術方向的創作者。不同LoRA針對的任務差異很大，選擇時應以工作流兼容性和輸出要求為先。

項目主頁

Categories: 開源, NVIDIA, ComfyUI, Video, Image, 動畫, 教學, MiniMax

OpenMAIC：把課堂內容變成多代理互動教學

Share to X

把主題或文件直接轉成可互動課堂，連投影片、測驗和小組活動都一併生成。它更像一個面向教學流程的多代理 AI 平台。

OpenMAIC

OpenMAIC 是一個多代理 AI 教學平台，處理的是把零散素材快速整理成可教、可互動的課堂內容。使用者只要輸入主題，或者上傳文件、音訊、影片，再加上網頁搜尋素材，系統就會組織出投影片、測驗、互動模擬和專題式學習活動，並由 AI 老師和 AI 同學在課堂內即時互動。

它和一般內容生成工具的分別，在於不只產出講義，而是把整個教學流程串起來。OpenMAIC 內部採用 chat-first 的工作區，支援持久化 session，任務可以在伺服器重啟後繼續，亦可中途取消、回復和調整，較適合需要反覆修訂課程的教育團隊、培訓人員和內容製作人。

  • 可由文字主題或外部素材直接生成完整課堂
  • 支援投影片、測驗、互動模擬、PBL 和 .pptx 匯入
  • 接入 OpenClaw 後，可由 Feishu、Slack、Telegram 等訊息工具建立課堂
  • 可自行接入模型、媒體、搜尋供應商和儲存後端
  • 官方提供 Live Demo，亦可用 Vercel 一鍵部署

OpenMAIC 以多代理協調做編排，並結合 LangGraph、Next.js、React 和 TypeScript。超過 20 項內建技能，定位不是單純聊天機械人，而是把教學內容生產、互動和發佈收束到同一條工作流。

GitHub

Categories: 開源, Agentic, LangGraph, 教學, OpenClaw, 框架

四步生成同步音畫：FastH3 預覽模型拆解

Share to X

非官放加速 MiniMax FastH3 以四次 Transformer forward 生成同步影片與音訊，但需要專用 VSA-H3 後端及多張高階 GPU。

Og image

文字提示輸入後，FastVideo-FastH3-4-step-Preview-v1-VSA-DataFree 可在四次 Transformer forward 內生成同步影片與音訊，適合測試快速 text-to-audio-video 工作流程。模型明確基於 MiniMaxAI/MiniMax-H3 微調及蒸餾，並以 data-free DMD2 和 VSA-H3 訓練至 step 1300，在 90% sparsity 下換取較少取樣步驟。

模型需要 FastVideo 的 VSA-H3 attention backend，不能只下載權重後以一般推論工具直接執行。官方測試配置使用四張 B200 GPU；其他多 GPU CUDA 系統可改用 Triton kernel，但 GPU 數量必須能整除 H3 的 56 個 attention heads。頁面沒有提供 llama.cpp、Ollama 或 LM Studio 支援，也沒有列出 GGUF 檔案、量化級別、檔案大小或 mmproj 附加檔案，因此不能據此建議 Q4_K_M 或其他量化方案。

  • 四次 forward 生成音訊與影片，速度取向明確
  • DMD2、VSA-H3 及 90% sparsity 用於 data-free 蒸餾
  • 目前只支援 text-to-audio-video，FL2VA 和 Ref2VA 尚未蒸餾
  • 困難動作、細節及部分音訊可能不及 MiniMax H3 base model
  • 頁面未提及 MTP draft speculation、v2 更新或檔名變更

這個 Preview checkpoint 仍可能在動態、細節和音訊穩定度上落後原始 MiniMax H3，定位較接近快速生成與研究測試版本。使用時要留意 MiniMax H3 Community License，以及 FastVideo 安裝流程對 CUDA 13、Blackwell 路徑和專用 kernel wheel 的要求。

模型

Categories: 開源, NVIDIA, Video, 多模態模型, 視覺模型, 視頻模型, MiniMax
Page 1 of 145
1 2 3 … 145