InferNews

Arete-27B：後訓練調整政治敏感議題

2026 年 11 月 8 日

模型怎樣回答政治問題，也可以透過訓練改變。Nous Research 嘗試強化西方價值觀，但未證明偏差已消除。

Nous Research (Hermes Agent 開發團隊) 針對模型回答政治敏感問題時的拒答、迴避與敘事立場，推出 Arete-27B。這個模型以阿里巴巴的 Qwen3.8-27B 為基礎，透過後訓練強化團隊所稱的「西方價值觀」。

團隊表示，曾觀察到原模型以中國共產黨（Chinese Communist Party，CCP）的框架作答。其做法是調整模型權重中的行為，而非只在對話中加入提示詞；這代表改變價值取向，不等於令模型變得中立。

以 803 條提示詞、七個價值類別量度變化。
列出模型權重 Arete-27B。
列出評測 Propaganda_Eval 與訓練數據 arete-data-pairs。

「中國開源模型的意識形態偏見層，其實非常薄，而且是在最後階段才被強行貼上去的（The bias layer is shallow. It is applied late, it is applied thin）。」

只要 5,000 萬 tokens 的精準數據，就能把原廠花大代價做的政治對齊剝離得一乾二淨。

這對整個開源世界來說是個極具象徵意義的信號：只要權重是開源的（Open-weight），價值觀的主導權就永遠在使用者手裡。

項目主頁 · 模型

Categories: 開源, 阿里巴巴, Agentic, 模型, 模型訓練, Qwen, 提示詞, 框架, 中國, Dataset 數據集

Pika-H3-Flex：以圖片配合分段運鏡生成影片

2026 年 11 月 7 日

用一張圖片配合分段指令安排鏡頭與聲音；示例展示創作方向，但未證明生成穩定性。

把人物與場景延伸成影片，Pika-H3-Flex 基於 MiniMaxAI/MiniMax-H3 提供 Image-to-Video 生成適配 Low-Rank Adaptation（LoRA）。

示例以乒乓球 15 秒時間軸指定俯拍、下降、快速搖鏡與環繞，亦要求人物一致及正常速度，並描述音效和音樂。這些是提示詞要求的測試結果。

Hugging Face 上的 Pika-Labs/Pika-H3-Flex 是開源權重（Open Weights）模型，核心功能完全可以免費本地下載與運行：

1. 本地/自建環境免費運行（不需要 API）

開源權重免費下載：官方提供了模型權重、Diffusers 範例與 ComfyUI LoRA 檔案（位於 comfy/loras/）。
支援工作流：可以直接搭配 ComfyUI（支援 R2V、FL2VA、T2V）或 Hugging Face Diffusers 在本地 GPU 上推論。
原生能力：本地運行即可生成原生 480p / 768p、帶同步立體聲音訊（Synchronized audio）的影片。
硬體門檻：基於 MiniMax-H3 架構（約 33B 級別），本地推論需具備較大顯存的 GPU（建議具備 24GB+ VRAM 配合 CPU offload，或高階運算卡）。

Pika H3 Flex Tutorial in ComfyUI | Better Than MiniMax H3 Singularity ?

Watch this video on YouTube

2. 什麼情況下才會用到付費 Pika API？

Pika 僅將部分雲端進階/託管服務作為選配（Optional Hosted Services）：

雲端超解析度升頻：將草稿影片升頻至 1080p、2K 或 4K。
音訊分軌（Audio Stem Separation）。
雲端提示詞增強（Prompt Enhancement API）。

如果只需要常規的影片生成（480p/768p + 音訊），直接下載權重並放進 ComfyUI 或 Diffusers 即可完全免費使用。

模型

Categories: AI productions, 模型, 多模態模型, 模型訓練, Video, Image, Audio, 提示詞, Content Creator, 音樂, MiniMax, LoRA

Viggle Remake 讓 H3 換掉影片人物並保留原有動作

2026 年 11 月 7 日

想換掉影片人物、服裝或場景，又不想重拍整段素材？Viggle Remake 可按文字指令重製影片，保留原有動作、鏡頭、節奏與配樂。

要把影片人物換成其他角色，或改變服裝、天氣和場景，Viggle Remake 可以逐個鏡頭處理整段影片，並保留原有動作、鏡頭運動、時間節奏及配樂。項目屬於 20B 參數的 Video-to-Video 模型，基於 MiniMaxAI/MiniMax-H3，採用 LoRA；亦提供 Viggle app，毋須自行設定 GPU 即可使用。

它不只替換人物，亦能新增或移除物件、調整光線與風格。操作方式有兩種：交由支援 MCP 的 agent 根據影片和一句指令，自動找出剪接點、處理關鍵影格、逐段渲染並檢查結果；或自行撰寫提示詞、繪製一至四張影格，再用 sample.py 渲染鏡頭。前者適合整段影片的自動化製作，後者提供較直接的手動控制。

基礎模型：MiniMaxAI/MiniMax-H3；模型規模：20B 參數，採用 LoRA。
主要能力：人物重塑、服裝替換、物件增刪，以及場景、天氣、光線和風格變更。
自動流程可處理多個鏡頭；示例包括 116 秒、69 個剪接點的影片，以及 101 秒影片。
亦可透過 Viggle app 使用，毋須自行準備 GPU；自行執行則提供 sample.py 手動流程。
頁面未列出 GGUF 檔名、量化級別、檔案大小、上下文長度、硬件需求或 llama.cpp、Ollama、LM Studio 支援資訊。

相較於只替換角色的 Viggle-Animate，Remake 擴展至物件增刪和環境變更，目標由角色動畫延伸至整段影片重製。示例展示多種改動及長片段處理能力，但項目文件沒有提供量化基準、硬件效能數據或不同量化版本，不能據此判斷本地執行所需資源或成品品質上限。

模型採用 MiniMax H3 Community License，使用前應先查看授權條款；示例亦註明，片中人物並未參與、批准或認可相關 AI 生成內容。這些限制對涉及真實人物、商業素材及公開發布的影片尤其重要。

模型

Categories: Agentic, AI productions, MCP, 模型, Video, 提示詞, Ollama, 動畫, MiniMax, LoRA

NPCBench：檢測模型能否串連鼻咽癌診療全程

2026 年 11 月 7 日

模型答對單題，不代表能為同一位病人作出前後一致的診療判斷。NPCBench 把鼻咽癌知識、影像、治療決策與病程追蹤放進同一套評測。

答對鼻咽癌知識題，未必代表模型能制定合適方案，或隨病情變化修正判斷。NPCBench 是一套醫療 AI 評測基準，涵蓋指引知識、影像判讀、臨床決策及專科諮詢，嘗試檢驗模型能否把這些能力連接到病人的診療流程中。

不少醫療基準把能力拆成知識問答、單張影像判讀或靜態病例題，逐題計分；這種方式較難看出模型能否整合多模態證據，或在病程改變時更新決策。NPCBench 改以近似專科培訓測試，並加入縱向病例與 CarePath 評估，要求同一病人的病理、MRI T 分期及各項照護決策全部正確，才算聯合成功。

資料集包含 4,777 項分階段及諮詢題目，另有 100 名病人的 CarePath 病例，共 417 項診斷與照護評分任務。項目亦提供 MRI 延伸評測指南、醫師一致性校準，以及可用已發布預測結果重現主要結果表的 CPU 指令；研究比較了 30 個模型，並以配對控制檢視證據依據、病程中的判斷修正及諮詢評分。

結果反映單項能力與完整診療流程之間存在落差：在 21 個多模態模型中，嚴格 CarePath 聯合成功率最高為 23%。這令 NPCBench 適合研究醫療模型評測、腫瘤照護工作流程及多模態臨床推理的團隊；但它聚焦鼻咽癌，分數不能直接推廣至其他疾病或真實臨床成效。

評測範圍由指引知識延伸至影像、決策、病程追蹤及專科諮詢。
CarePath 以病人為單位，要求多項診斷與照護答案同時正確。
研究比較 30 個模型，並納入配對控制與醫師一致性校準。
嚴格 CarePath 評估中，多模態模型最高成功率為 23%。

使用者可按任務下載相應題目，為每題提交模型答案，再以提供的評分工具輸出分數；Python 3.10 或更新版本即可執行。多選題需要提交完整選項集合，L1、L2、L4 等任務有各自的題目檔與評分命令，MRI 延伸測試則另有資料處理及推理設定指南。

GitHub · Paper

Categories: 開源, 香港理工大學, 多模態模型, Image, 香港, 工具, Medical醫學, 中國, Dataset 數據集

SAE Interprets MoE：拆解混合專家的分工

2026 年 11 月 7 日

只看 MoE 專家被路由多少次，未必能知道它真正為模型輸出帶來甚麼。這項研究把專家貢獻連到可解讀特徵，分析 Qwen3-30B-A3B 的專長如何細分。

Repository image for ByteDance-Seed/SAE-interprets-MoE

要了解 MoE 模型裏每個專家實際負責甚麼，單計它被選中的次數並不足夠：路由頻率不等於它對輸出的貢獻。SAE Interprets MoE 提供重現研究實驗的程式碼與數據，透過稀疏自編碼器（Sparse Autoencoder，SAE）分析 Qwen3-30B-A3B 第 4、30、46 層的專家分工。

研究利用 SAE 編碼器的仿射特性，把每個特徵的啟動值精確拆分到 MoE 層中被啟動的專家，再按語料彙總貢獻比例，建立專家與特徵之間的「主導圖」。這與按預設領域標籤統計路由不同，分析焦點是專家真正推動了哪些特徵；研究結果指出，多數特徵主要由一至兩個專家主導。

第 30 層的分析顯示，專家可在較大的領域內形成細分分工，例如 Java 與前端網頁、幾何與算術。研究亦比較專家貢獻的集中程度、主導特徵重疊，以及各專家的領域標籤；這些結果描述的是特定模型與層，不宜直接推廣到所有 MoE 模型。

重現流程從計算專家對 SAE 特徵的貢獻統計開始，再執行排名、主導圖、詞雲與領域分析等實驗。項目提供每項實驗的執行腳本及已整理的解釋、標籤和判斷資料；模型權重可從 Hugging Face 下載，也可指定本地檔案。計算需求不低：Qwen3-30B-A3B 的 bf16 權重約需 61 GB，單層 fp32 SAE 編碼器另需約 8 GB，同時追蹤三層則需要兩張 80 GB GPU。

分析範圍為 Qwen3-30B-A3B 的第 4、30、46 層。
以特徵貢獻而非單看路由頻率判斷專家分工。
提供可重現實驗的程式碼、SAE 權重連結及整理後的研究資料。
LLM 領域分析需要 OpenAI 相容 API；完整追蹤流程亦需要高記憶體 GPU。

這套方法適合研究 MoE 可解讀性、專家專長與特徵分工的團隊，也方便重現的分析。它提供的是針對特定模型的研究工具與證據，不是可直接替任意模型標註專家的通用服務；解讀結果仍取決於 SAE 特徵與自動解釋流程。

項目主頁 · GitHub · 模型

Categories: 開源, 字節跳動, 模型, Qwen, OpenAI, API, 工具

RelayVSR：用稀疏關鍵幀加速 4×影片超解像

2026 年 11 月 7 日

RelayVSR 讓大型生成模型只處理稀疏關鍵幀，再交由輕量網絡完成串流放大，兼顧細節、速度與記憶體用量。

低清影片要放大四倍，往往要在細節真實感與處理速度之間取捨。RelayVSR 屬於影片超解像模型項目，讓大型 Wan 模型產生稀疏參考，再由輕量 Dual-Memory Video Transformer 重建其餘畫面，減少逐幀使用生成模型的成本。

RelayVSR 的流程不只是把兩個模型串起來：Video-Aware Reference Optimization（VARO）以影片層面及關鍵幀層面的獎勵，透過強化學習改善參考品質，降低錯誤關鍵幀在後續畫面累積的風險。輕量模型會結合關鍵幀細節與近期影片內容，支援有限前看及雙端點條件。

在單張 NVIDIA A100 80GB、1080p 及 15 幀關鍵幀間隔下，雙端點 RelayVSR 達到 29.29 FPS，峰值 GPU 記憶體為 13.82 GB，首幀模型延遲 0.327 秒；FlashVSR-Tiny 則為 7.80 FPS、24.447 GB 及 2.83 秒。這個比較反映它把速度和記憶體壓力放在系統協作，而非單一大型模型硬撐。

支援 4×輸出，保留輸入影片 FPS
Linux、Python 3.11–3.13 及 NVIDIA GPU
Wan 與 Flash 兩個 safetensors 權重分開載入
可處理 MP4 或按順序排列的圖片資料夾
不會複製原影片音訊，長片可用 --max-frames 限制處理量

要試用項目，需要先取得兩個 Hugging Face 權重，再以 inference.py 指定輸入影片；預設每 15 幀產生參考端點，也可調整 --window-size。它較適合需要串流處理、長影片放大或受 GPU 記憶體限制的研究者與影像工作流程，但輸出沒有音訊，亦仍依賴 NVIDIA GPU，未必適合一般消費級電腦直接處理高解像長片。

項目主頁 · GitHub · 模型

Categories: 開源, AI productions, 模型, 視頻模型, NVIDIA, Video, Image, Audio, Linux, Python, 中國, 強化學習

[技術文章] WeLM-Image：把生圖、指令編輯與多圖合成整合一個模型

2026 年 11 月 6 日

從文字生圖、按指令修改圖片，到合併多張參考圖，WeLM-Image 嘗試用同一模型處理多種視覺創作需求，並支援單張 GPU 執行。

創作時要由文字描述生成圖片、再修改姿勢或移除路人，甚至合併幾張參考圖，WeLM-Image 都可用文字指令處理。這個騰訊 WeChat Vision 團隊推出的統一圖像模型，亦支援在圖片中加入或替換文字，面向 WeChat 的消費者應用設計，目標是在單張 GPU 上部署。

常見做法會把圖像理解與生成分成不同模型或參數路徑，處理多種任務時可能互相干擾。WeLM-Image 把文字、參考圖像與目標圖像的潛在表示交錯放進同一序列，再以 Mixture-of-Transformers（MoT）共用注意力、分開理解與生成參數，並用 Mixture-of-Experts（MoE）提供稀疏運算容量。

訓練資料涵蓋雙語標註與經核實的編輯範例，並逐步訓練至原生 1.5K 解像度。團隊分別針對生成與編輯使用評分規準及檢查清單設計獎勵，再以感知雜訊的 on-policy distillation 整合兩條路徑。

報告指出，1,536 解像度版本在 PRISM-Bench、Qwen-Image-Bench 及 UnicBench 的受測開源模型中排名第一。加速版本 WeLM-Image-Turbo 則以 MeanFlow 蒸餾，在單張 NVIDIA H20 GPU 上用八步生成 1024 × 1024 圖像，耗時 4.98 秒。

同一模型涵蓋文字生圖、指令編輯與多參考圖合成。
可處理姿勢調整、風格轉換、物件增刪及畫面文字修改。
MoT 分開理解與生成參數，MoE 提供稀疏模型容量。

Paper

Categories: 開源, 騰訊, 模型, 多模態模型, Qwen, NVIDIA, Image, 影像模型, txt2img

NitroFusion2：讓文字生圖一步生成清晰細節

2026 年 11 月 6 日

想快速生成帶有清晰文字和細節的圖片，NitroFusion2 把生成步數壓到一至兩步。它以 Z-Image-Turbo 為基礎，也提供減少瑕疵的兩步工作流程。

需要快速出圖，又不想犧牲圖片中的文字與細節，NitroFusion2 以一至兩步生成作出回應。這個文字轉圖片模型建基於 Z-Image-Turbo，將對抗損失加入多模態擴散 Transformer（Multimodal Diffusion Transformer，MMDiT）的文字串流，讓模型在一步生成時也能呈現銳利文字和細節。

它的做法不只依賴圖片特徵判斷生成結果。MMDiT 的文字 token 經過共同注意力層後已讀取圖片資訊，因此 NitroFusion2 也利用文字串流中的中間狀態進行對抗式蒸餾；訓練方法還會按物件、文字排版或動作等提示，調整判別器關注的內容。這讓單一步生成兼顧速度和細節，但兩步流程仍可能出現瑕疵。

ComfyUI 使用者可直接載入項目提供的一步或兩步 workflow；兩步流程建議先以 0.5 強度套用 de-distillation LoRA，將 NitroFusion2 拉回 Z-Image-Turbo，再於第二步單獨執行 NitroFusion2，以減少部分瑕疵。項目亦提供 Diffusers 推理程式和 GGUF 權重，量化版本由 2.0 GB 至 7.2 GB，方便按可用儲存空間選擇；文件未列出不同版本的品質或速度測試數據。