InferNews

ComfyUI-FL-MiniMaxH3 時間軸節點

2026 年 8 月 29 日 Share to X Copy link

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。

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

2026 年 8 月 29 日 Share to X Copy link

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 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

2026 年 8 月 29 日 Share to X Copy link

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。

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

2026 年 8 月 29 日 Share to X Copy link

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 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

2026 年 8 月 29 日 Share to X Copy link

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。

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

---

GLM-5.3 開放權重，卻為大型雲端供應商設門檻

2026 年 8 月 29 日 Share to X Copy link

GLM-5.3 (753B 參數)，已在 Hugging Face 發佈權重，但新授權條款不再採用 MIT，並要求大型提供商接受安全審查。

想自行下載模型權重、在本地或私有環境運行 GLM-5.3 753B 參數的團隊，現在多了一項不能忽略的授權考量。Z.ai 已把 GLM-5.3 上載到 Hugging Face，讓研究者和開發者取得模型權重，但同時撤下過往的 MIT license。

這個安排令「開放權重」與「完全不設限制的開源授權」出現清楚分別。模型檔案可以取得，不代表所有公司都能按照相同條件提供服務；收入超過 100 億美元的提供商，需要先接受安全審查，條款明顯針對大型雲端及 AI 服務供應商。

對小型團隊、研究人員和需要控制資料流向的企業，GLM-5.3 的權重仍可能方便本地推理、模型整合及內部測試。不過，將模型包裝成公開 API、雲端推理服務或大規模商業產品前，必須先核對新 license 的適用範圍和審查要求。

• 權重已放上 Hugging Face，降低取得模型的門檻
• GLM-5.3 不再使用 MIT license
• 開放權重不等於不受授權條款限制
• 收入超過 100 億美元的提供商須接受安全審查
• 商業服務和大規模分發需要額外檢查合規要求

模型

Categories: 開源, 模型, 中國

---

write-then-publish：自動 .md 排版成為圖文卡

2026 年 8 月 29 日 Share to X Copy link

寫完文章後，毋須再分別排版圖片、卡片和長文格式，這個項目把發布前的整理工作集中在同一個工作區。

由寫作到發布，最花時間往往不是產生內容，而是重新分頁、整理圖片和適配不同平台格式。這個項目屬於內容製作工具，讓同一份 Markdown 正文同步輸出圖文卡片與公眾號長文，並保留原有結構，不會因為切換模式而改寫內容。

項目採用 Vanilla HTML/CSS/JS，亦提供本地運行方式。圖片支援上傳、貼上、拖放和批量導入，Wiki 圖片引用則可讀取 Obsidian 的 ![[圖片.png]]、![[附件/圖片.png]] 及標準 Markdown 圖片語法。瀏覽器獲得目錄權限後，Markdown 會寫回「寫了就發」，新增圖片則放到「寫了就發/附件/」；未能寫入時會降級為 Markdown 加附件 ZIP。

圖文卡片會自動分頁，標準輸出為 1728 × 2304 PNG；公眾號模式保留標題、列表、引用、程式碼、表格和正文圖片，亦可調整主題、字體、字號與主題色。Live Photo 透過 WebCodecs 處理，可按小紅書或公眾號設定片段時長、比例、裁剪及聲音，並按原始頁序批量下載。

• 同一份正文切換兩種發布格式
• 支援 Obsidian 雙向同步及附件整理
• Live Photo 可剪輯、預覽及批量打包
• 未授權目錄時提供 ZIP 降級方案
• Supabase 登入模式以 Row Level Security 按 auth.uid() 隔離資料

項目不涉及生成模型，因此不會替作者寫稿或改寫內容，價值集中在發布前的排版與素材整理。內容創作者、經常維護 Obsidian Vault 的作者，以及需要同時經營公眾號和圖文平台的小型團隊會較容易受益；macOS 本地版另可在配置完成後同步到公眾號草稿箱，但跨平台發布能力仍受瀏覽器權限和平台整合限制影響。

GitHub

Categories: 開源, Image, Mac, 安全

---

Diffusion Studio：智能影片剪輯工作流

2026 年 8 月 29 日 Share to X Copy link

Diffusion Studio 將時間軸剪輯與 SolidJS 程式碼互相同步，讓 AI agents 可以直接協助製作影片。

想用自然語言叫 AI 整理素材、剪出精華片段，甚至加入動態圖像和旁白，Diffusion Studio 提供了一條由命令列控制影片編輯器的工作流。它屬於開源影片編輯工具，核心是以 SolidJS modules 作為文件來源，處理由原始片段到成片的剪輯、合成和影片理解。

畫布與程式碼可以雙向修改：在畫布調整內容，變更會寫回程式碼；直接編輯程式碼，影片畫布亦會重新繪製。配合 dapi CLI，Claude Code、Codex、Cursor、Copilot 或 Gemini CLI 等 agents 能以文字指令操作時間軸，亦可要求系統摘要影片、搜尋場景，或找出附有時間戳的引述。

• 影片剪輯、Motion graphics、社交平台短片重製
• 以程式碼宣告圖片、影片和 voiceover，再合成到時間軸
• 由命令列觀看及聆聽素材，交由 agents 協助處理
• 可在 macOS Apple Silicon 使用桌面版本，並透過 skills 接入工作流

相比只在時間軸介面操作的編輯器，程式碼成為可保存、修改和交給 agents 處理的文件來源，較適合需要重複產出、批量改版或以生成式資產組成影片的團隊。代價是使用者要同時理解畫布、SolidJS modules 和 CLI 的關係；項目資料亦未提供獨立性能指標或完整平台支援範圍，不能單憑介紹判斷長片剪輯效率。

Diffusion Studio 連接 AI agents 之後可透過程式碼與影片時間軸進行編輯。內容創作者可先下載 macOS Apple Silicon 版本，再安裝官方 skills，透過自然語言要求建立影片，並在畫布中檢查結果；熟悉編程的團隊則可直接維護可重用的影片程式碼。

GitHub

Categories: 開源, Agentic, AI productions, IDE, Mac, 蘋果, Skill 技能

---

Microduck：細小雙足機械鴨的 RL 控制腦

2026 年 8 月 28 日 Share to X Copy link

Microduck 把雙足行走、拾取、起身與遙控操作收進同一套控制系統。它更像一個可落地的機械人控制項目，而不只是展示動作的樣機。

Microduck 係一個機械人控制項目，核心係為約 25 厘米、800 克嘅雙足機械鴨提供執行層，解決步行、起身、拾取同模式切換呢類動作控制問題。它唔只做單一演示，而係把無線電、相機、更新流程同 50 Hz 控制迴圈一齊放入同一個執行環境。

呢個項目嘅做法係喺 Rockchip RK3566 上跑幾個 daemon，並用神經策略驅動 15 個伺服。策略本身喺另一個項目 microduck_rl 訓練，採用 MuJoCo、PPO 同 sim2real，再匯出做 ONNX 俾這邊載入；原始資料未提供完整安裝或部署步驟，只能確認佢有 cheat sheet 同 duckctl 等操作入口。

同一般遙控機械人相比，Microduck 將控制、感知同更新機制綁得更緊，重點係讓細小雙足平台可以穩定接收新軟件，而唔會刷壞機器。它亦支援兩套行走形態，行走同輪式模式可以切換，顯示出硬件形態同策略之間嘅配合。

• 以 RL policies 驅動雙足動作，而唔係只靠固定腳本
• 在 RK3566 上運行，控制迴圈為 50 Hz
• 由 microduck_rl 提供訓練與 ONNX 匯出
• 具備相機、無線電同更新管理
• 目標場景偏向機械人開發、控制驗證同現場操作

對做機械人研究、控制系統整合，或者想測試 sim2real 流程嘅團隊，呢個項目會較有參考價值。評估數字喺提供資料入面唔多，但已經可以見到它把「細體積、雙足、可更新」呢幾個限制同時處理。

項目主頁 · GitHub · 項目

Categories: 開源, 模型訓練, Robotic

---

Breeze TTS 2：低延遲語音生成再推一級

2026 年 8 月 28 日 Share to X Copy link

Breeze TTS 2 把即時語音互動、聲線設計同語氣控制放埋一齊，主打低延遲同高可塑性。它較適合要做配音、語音代理或互動內容嘅團隊。

Breeze TTS 2 係一個文字轉語音（text-to-speech, TTS）模型，重點唔止係把文字讀出，而係處理即時互動入面最難平衡嘅兩件事：聲音要自然，回應又要夠快。佢支援 Voice Clone、Voice Design 同 Voice Direction，代表可以由參考錄音複製聲線，亦可以純靠自然語言描述去設計新聲線，再按指令調整語氣、節奏同表達。

對內容製作、語音代理、遊戲角色配音同多語言產品來講，呢種做法比單純 TTS 更有彈性。文本內仲可以插入 Vocal Events，例如笑聲、咳嗽、清嗓子呢類表情提示，令生成聲音更接近真人演繹，而唔係只係平鋪直敘讀稿。

項目資料顯示，佢喺 Artificial Analysis TTS leaderboard 排名第一嘅 open-weight 模型，亦聲稱喺部分測試中超越商業系統。低延遲係另一個賣點：warming 後喺 NVIDIA H100 可做到少於 40 ms 的 time to first audio，RTF 約 0.32，適合即時對話場景。

不過，repo 同時寫明模型權重、衍生模型同 self-hosted outputs 只限研究同非商業用途，呢點對想直接落地嘅團隊影響好大。代碼層面提供 PyTorch inference code，但原始資料未交代完整安裝流程或部署細節，較合理嘅理解方式係先把佢視為一個面向研究與產品原型驗證的高性能 TTS 模型。

• 支援參考錄音複製聲線，亦支援純文字描述設計新聲線
• 可以用指令調整語氣、情緒、語速同演繹方式
• 低延遲串流適合即時語音互動同 voice agent
• 在 open-weight TTS 基準中聲稱領先，但授權限制較嚴
• 適合配音、互動內容、多語言語音產品同研究團隊

項目主頁 · GitHub · 模型

Categories: 開源, NVIDIA, 文字轉語音, Agentic, Audio, Clone, Python, 模型, 語音, Dataset 數據集

---