輸入風格與歌詞，便能在 ComfyUI 生成歌曲及可讀樂譜，讓創作流程多一個可修改的環節。
把歌詞接入節點、設定曲風後，YuE2-ComfyUI 便能在本機生成完整歌曲與可讀樂譜。這套音樂生成節點工具把 YuE2-3B 接入 ComfyUI，適合想在同一工作流程反覆試作的音樂創作者。
它先寫出 ABC 樂譜，再生成演奏內容，最後透過變分自編碼器（Variational Autoencoder，VAE）解碼成 48 kHz 立體聲。樂譜也可修改後送回節點演唱，讓旋律調整有更具體的入口。
項目示例在 RTX 5090 上花 40.2 秒生成 75 秒歌曲，但單一示例不足以推算其他硬件的速度。提供的內容未列出完整安裝步驟、最低顯示記憶體需求或音質比較；準備納入製作流程前，仍需確認本機能否載入模型。
RefineEdit 以文字提示生成來源與編輯結果，毋須額外訓練或遮罩，但未能直接處理任意真實照片。
由 source prompt 改成 editing prompt 時，RefineEdit 會先生成來源圖，再重用中間 refinement state，讓 1024 × 1024 編輯結果較容易保留原有內容。這個項目屬於免訓練的 prompt-to-prompt 影像編輯方法，實際處理的是文字驅動編輯中「改變指定內容」與「維持畫面穩定」之間的取捨。
GRN 負責生成流程，HBQ tokenizer 和 UMT5 encoder 會一同載入；RefineEdit 本身沒有額外 checkpoint。source-anchored bit routing 先選出可編輯座標，再配合 adaptive spatial freezing（AdaSF）及 finite bit locking（FBL）限制後續變化，毋須外部 editing mask。
RefineEdit 需要 Linux、支援 BF16 的 CUDA GPU，以及官方 GRN 預訓練權重；A100 80 GB 是參考配置，項目並不適合低記憶體 GPU 或 CPU 推理。FlashAttention 2 可加速原始流程，未能安裝時可改用 PyTorch scaled dot-product attention，但速度、記憶體消耗和數值結果都可能不同。
它適合研究文字生成影像編輯、需要可重現實驗的團隊，以及已有 GRN 推理環境的開發者。儲存庫未提供統一 benchmark 數字，不能單靠 1024 × 1024 輸出判斷畫質；不同 attention backend 即使使用相同 seed，也不保證產生逐像素一致的結果。
直接把聲音和影像交給AI，回覆是否仍有根據？OmniVChat 提供評分工具，但測試與訓練分數不能混用。
讓AI直接接收用戶的聲音和影像，再以文字回答，OmniVChat（Omni Video Chat）提供了檢驗這類對話的評估與訓練獎勵工具。問題藏在影音之中，不另附文字提問、外部影像描述或自動語音辨識（Automatic Speech Recognition，ASR）轉錄，適合測試多模態模型能否連結所見所聞。
OmniVChat-Bench包含2,800段合成對話，按分層準則評分，涵蓋五類能力：
評估分數r(y)介乎0至1，以Subcategory Mean匯報；OmniVChat-RL共用評分核心，另加格式、效率與風格獎勵，範圍為0至1.5，兩者不能直接比較。
研究團隊可先查看儲存庫的評分程式與範例，再到Hugging Face取得完整標註及媒體。這個項目只提供程式碼、範例與文件；合成對話的結果亦不足以單獨判斷模型在真人影音互動中的可靠程度。
TeleAntiFraud 將數據集、模型、評測和程式碼集中開放，讓電信反詐研究更容易驗證與延伸。
面對電信詐騙檢測需要數據、模型和一致評測標準的問題，TeleAntiFraud 以開源研究社區形式，集中提供相關資源，涵蓋數據集、模型、論文及可重現的研究基礎設施。項目由中國人民公安大學聯合發起，適合研究人員、反詐技術團隊及需要測試檢測方法的開發者使用。
社區目前公開 TeleAntiFraud 數據集、AntiFraud-SFT 模型，以及論文與程式碼倉庫，並提供 Hugging Face 模型與數據入口。相比只發布單一模型或個別研究結果，這種整合方式讓使用者可以由數據、訓練資源一路追到論文和程式碼，較方便重現實驗及比較不同方法。
可直接關注的資源包括：
– TeleAntiFraud 數據集及相關論文入口
– AntiFraud-SFT 模型發布與研究資料
– 已錄用論文及對應的公開程式碼、模型和數據
– 面向音頻文本反詐檢測的 SAFE-QAQ 研究
社區列出的最新進展包括 TeleAntiFraud-28k 獲 ACM MM 2025 接收，以及 SAFE-QAQ 獲 ACL 2026 主會接收；後者聚焦慢思考強化學習框架。網站目前未提供統一的性能數字或詳細測試結果，讀者仍需按各論文及資源頁面的評測設定理解模型能力和限制。
由手機、桌面到網頁操作，MintAct嘗試用一個輕量模型兼顧定位、導航與視覺工具使用。
蘋果電腦即將推出一個視覺語言模型系列，它統一了跨行動裝置、桌面和Web的多步驟導航以及視覺化工具，並已在 2B 、4B 和 8B 上進行了訓練。蘋果認為讓 AI 直接操作手機、桌面或網頁，單是看懂畫面並不足夠，還要準確點擊目標、完成多步驟任務，以及在需要時呼叫外部工具。MintAct 是一系列統一的 vision-language models，針對這些分散能力提供單一視覺代理，並推出 2B、4B 與 8B 三種規模。
通常做法是 UI grounding、手機導航、桌面控制、網頁導航及視覺工具使用各自訓練專門模型。這種 per-domain specialist 範式需要分開維護，模型之間亦可能因觀察空間、動作方式和資料來源不同而互相干擾；直接混合資料，更可能令各領域表現下降。MintAct 改用多階段訓練，先以 grounding 和多步驟監督學習建立基礎，再配合強化學習（reinforcement learning，RL）整合跨平台能力。
項目的關鍵不只在模型本身，也包括支援訓練的環境和資料基礎設施。團隊讓數百個不同後端的環境並行運作，同時收集 trajectory data 和進行 online RL；非同步框架則控制不同領域的訓練比例，減少環境速度不一、回饋雜訊及 off-policy drift 帶來的不穩定。
MintAct 在相近模型規模下，聲稱能追平各領域專門模型的表現，並在 OSWorld-Verified 取得 48.9 分的結果。對需要在裝置端運行、又不想同時服務多個專門模型的工作流而言，這種統一設計具備實際吸引力，但跨領域互相干擾、環境回饋可靠性和長時序任務穩定性，仍是部署時需要持續驗證的限制。
代理不只觀察介面，還要自行寫程式、啟動成品及核對結果，測試由操作走向完整交付。
給代理一個正在運行的參考程式，它要邊操作、邊寫程式，再自行啟動及檢查成品。RecreationWorld 是研究混合式電腦操作代理（hybrid computer-use agents）的五平台框架，處理代理能否按可見行為重建軟件的問題。
它把參考程式當作可執行判準，讓代理反覆進行探索、實作與驗證，而非依固定階段完成任務。最終評分看功能與畫面是否吻合，不要求源碼、語言或架構相同，保留了實作自由。
已列出的結果中，GPT-6 Astra 平均 58.06%，領先 Claude Opus 5 的 44.16%，但估算成本達每項任務 115.80 美元；較便宜的模型則要接受明顯分數差距。這反映長時間探索、編碼與視覺核對仍然昂貴，而且只有少量應用能達到完整功能分數。
開發代理、GUI 自動化或程式生成系統的團隊，可下載 RecreationBench 資料集並依儲存庫的 Quickstart 配置環境；自行託管模型的正式評估需要聯絡團隊。它較適合作研究與模型比較，未見足夠資料證明可直接充當一般軟件重建服務。
小米以即時指標公開 mimo-v2.6-pro 與 mimo-v2.6-flash 的強化學習訓練狀態，並連結至程式編碼代理研究。
CodeMidas 把模型訓練過程帶到公開視野，展示 mimo-v2.6-pro 與 mimo-v2.6-flash 兩組 reinforcement-learning runs 的即時指標。對需要追蹤模型能力如何形成的研究者和開發者而言，這類介面可用來觀察訓練是否持續、何時中斷，以及不同模型版本的進度差異。
小米以 trainer 直接提供的 metrics 為主，未有完整列出指標定義、數值解讀或最終評測結果。因此，讀者可以把它視為訓練監察入口，而不是已完成模型的性能報告；畫面亦提示可能出現重新連線狀態，資料連續性仍需留意。
根據 CodeMidas 研究，mimo 從程式碼本身擴展 agentic coding reinforcement learning environments。這個方向處理的問題，是如何建立足夠多、又能反映真實編程任務的訓練環境，讓 coding agents 在程式修改、執行與驗證等流程中學習，而不只依賴靜態範例。
資訊：
– 同時追蹤 mimo-v2.6-pro 與 mimo-v2.6-flash 的強化學習訓練
– 指標由 trainer 即時更新，適合觀察訓練進程
– CodeMidas 聚焦由程式碼擴展 agentic coding RL environments
對模型研究、AI agent 和編程工具開發者來說，頁面提供了一個觀察訓練公開化的窗口；一般使用者則應等待正式模型說明和獨立評測，才適合判斷其編碼能力及穩定性。
Qwen Image 解碼後的 2px 網格容易被放大流程強化，ComfyUI-DeGrid 讓修正可以在放大前自動完成。
Qwen Image、Qwen Image 2.1 及部分 Wan 2.1 VAE 生成的平坦暗位，可能帶有不易察覺的 2px 像素網格；經過銳化或放大後，瑕疵會變成明顯紋理。ComfyUI-DeGrid 是一個 ComfyUI 影像修正節點，專門在 VAE Decode 後移除這種規律格線。
它採用 VAE DeGrid（Nyquist Notch）處理方式，auto 模式會逐張影像量度網格強度並自動設定修正上限，無需自行調參；未偵測到網格時則原樣傳遞。節點亦會顯示 grid 強度、修正上限及受保護邊緣比例，方便確認是否有執行過度。
安裝只需放入 ComfyUI/custom_nodes，依賴 torch，亦不需要 OpenGL 或 GLFW，因此可在 headless 環境運行。工作流應接成 VAE Decode → VAE DeGrid → 銳化、放大或 SeedVR2 等後續處理，因為縮放後才修正，可能已經太遲。
需要處理 Qwen Image 或 Anima 解碼瑕疵的創作者，會較容易感受到它對後續放大流程的幫助；但若工作流沒有相關 VAE，或影像本身沒有網格，節點只會增加一個檢查步驟，未必帶來可見差異。
當 ComfyUI 工作流動輒幾百個節點，拖拉節點時幀率掉到個位數是常態。NodeSnapshots 把閒置的節點先渲染成透明畫布，移動時直接重用圖片，把一張圖的幀率從 20 拉回 60。
當 ComfyUI 的工作流膨脹到幾百個節點，畫面停頓幾乎是必然。Sparknight 開源的 NodeSnapshots 是一個純前端擴充套件，目標就是把這種拖拉時的卡頓感處理掉。它不動推論邏輯、不改工作流格式、不裝額外模型，把閒置節點預先渲染成一張張透明畫布，平移、縮放、拖動節點時直接重用圖片，跳過昂貴的重繪。
在約 350 節點的實測流程裡，繁忙區塊的平均幀率從 20 FPS 拉到接近 60，改善幅度並非「感覺順」而是的明顯跳升。早期版本其實試過一次截整張圖的做法，速度更快，但截全圖那一刻會卡住；NodeSnapshots 改用逐個節點、分批閒置排程來拍快照，避開那個停頓，同時保留重用帶來的流暢感。
它處理了幾個關鍵取捨：
需要注意的限制：
對需要反覆在大型 Stable Diffusion、影像生成流程裡微調節點位置的使用者來說，這類擴充幾乎是工作流跑得起來的必要條件。安裝方式只需把資料夾放到 ComfyUI/custom_nodes/ComfyUI-NodeSnapshots，重啟後到 Settings > NodeSnapshots 開關即可。
不想再付 Photoshop 月費、又想保留熟悉快捷鍵的 macOS 用戶，多了一個叫 Compositor 的開源選擇。它由獨立開發者 Robbie Tilton 以 Xcode 項目形式發佈，主打完整圖層、調整層與非破壞性變形。
對長期依賴 Photoshop 做合成、後期與修圖的 macOS 用戶來說，Adobe 月費始終是一道門檻，而 GIMP、Krita 這類免費替代品介面邏輯差異大，轉移成本高。Compositor 正正針對這個尷尬位置，由獨立開發者 Robbie Tilton 以 Swift 撰寫、Xcode 項目形式開源發佈，所有功能都可以自行修改或擴充。
從工作流角度，它繼承了一整套 Photoshop 風格的快捷鍵與面板邏輯：圖層、資料夾、剪裁遮色片、混合模式與不透明度齊備；調整層涵蓋色相/飽和度、Levels、Curves、Exposure、Gradient Map 與 Grain；變形時保持完整解析度，並支援框外延伸的 Content-Aware Fill。Lasso、魔術棒、Spot Healing Brush、Clone Stamp 等選擇與繪圖工具也一應俱全，多項目分頁與 JPEG、PNG、HEIC、TIFF 匯入則貼近日常後期流程。
它與 PicsArt、Pixelmator Pro 等同類差異，在於完全開源、零訂閱，並允許直接下載 Xcode 項目插手改功能；代價是目前僅支援 macOS、依賴 Apple 生態，而且由個人維護，更新節奏未必追得上 Adobe。輸出預覽、批次處理、Camera RAW 等專業模組暫未見於 README，較適合個人創作、學生與中小型設計團隊作為主力或副機。
想試的話，可到 GitHub 取得原始碼，或從官方網站下載 macOS 安裝檔；Xcode 用戶亦可直接打開項目調整工具組合，再自行編譯。