InferNews

三分鐘攪掂 PHP2Shell 漏洞

Featured

2026 年 10 月 23 日

PHP2Shell 可讓未驗證攻擊者接管伺服器。Ubuntu 管理員應停用舊版 mod_php，並將 PHP 升至已修補版本。

這方案 針對所有 Ubuntu PHP 舊版本已停止更新，能馬上修復 Ubuntu、Apache 與 mod_php 的網站。避免因 PHP2Shell 面臨未經身分驗證的遠端程式碼執行風險。這項問題涉及 CVE-2026-109618 及 CVE-2026-109619，CVSS v4.0 評分為屬嚴重級別 9.2。

問題是 PHP 8.1 及更舊版本已停止支援，而漏洞源自 PHP 核心記憶體管理，攻擊者可透過特定惡意請求觸發 Use-After-Free，並利用記憶體耗盡等而取得程式執行能力。當 Apache 透過 mod_php 與 PHP 共用行程及記憶體時，影響範圍可擴至整個網頁伺服器，遠端程式碼執行（Remote Code Execution，RCE）風險尤其直接。

安全處理方發是把執行環境切換至已修補版本。我們以 Ubuntu 22.04 為例，加入 Ondřej Surý PPA、安裝 PHP 8.3 及所需擴充套件，再停用 php8.1、啟用 php8.3，並重新啟動 Apache；實際環境亦要按原有版本及網站套件調整。

受影響編號：CVE-2026-109618、CVE-2026-109619
建議版本：至少 PHP 8.2.35、8.3.36 或 8.4.27
高風險組合：Apache mod_php 加未修補 PHP
關鍵動作：停用舊模組、檢查版本、重啟服務

驗證不能只看 CLI 輸出，也要確認 Apache 實際載入的新模組及網站依賴的擴充套件。涉及 PHP 8.1 的環境應先安排相容性測試；安全版本要求與頁面所示 PHP 8.3 範例亦應分開核對。

項目主頁

Categories: 軟件, 工具, Linux, 庫, 安全

FilmFlow: 虛擬電影攝影機代理

2026 年 10 月 24 日

FilmFlow 讓創作者用文字指示或參考影片，為 3D 場景生成鏡頭移動。它會結合場景理解與渲染後的視覺回饋，逐步修整鏡頭位置、方向和構圖。

FilmFlow accepts text or a reference video and a 3D scene. Interpreter, Scout, Director, and Critic agents refine camera motion through visual feedback.

想為 3D 場景安排推鏡、環繞或特定構圖，FilmFlow 可將文字指示轉成可執行的鏡頭軌跡，也能把參考影片中的運鏡轉移到另一個場景。這套電影攝影代理系統面向動態 3D 環境，處理的是如何把拍攝意圖落實成有時間安排、能在場景中執行的鏡頭動作。

FilmFlow 由四個代理協作：Interpreter 理解場景並整理鏡頭意圖，Scout 尋找合適的起始視點，Director 安排鏡頭操作及其時間和參數，Critic 則檢視渲染結果並提供修正方向。Director 可同時組合多項基本操作，控制鏡頭平移、旋轉和取景；整個流程會根據畫面回饋反覆調整，而非只輸出一段抽象描述。

兩種輸入方式適合不同工作流程：文字導向生成讓創作者直接描述鏡頭動作與構圖要求；參考影片導向生成則適合借用既有片段的運鏡，並套用到另一個 3D 場景。這可用於虛擬場景分鏡、動畫預演及 3D 鏡頭設計，但生成效果仍取決於指示能否表達清楚，以及場景是否提供所需的視覺條件。

研究團隊同時推出 CinemaBench，涵蓋 150 個 Blender 場景、750 項文字導向任務和 60 段參考影片，用來評估文字導向與影片導向的鏡頭生成。提供的資料沒有列出基準測試成績，也未交代安裝或使用流程，因此目前可確認的是系統設計與評估集規模，不能據此判斷其性能表現。

支援文字指示與參考影片兩種鏡頭生成方式。
以四個代理分工處理場景理解、起始視點、鏡頭規劃和畫面檢視。
可組合平移、旋轉與取景操作，並以渲染結果反覆修整。
適合 3D 場景的鏡頭設計、分鏡及動畫預演。
CinemaBench 收錄 150 個 Blender 場景、750 項文字任務及 60 段參考影片。

項目主頁

Categories: 開源, Agentic, AI productions, Video, 框架, Content Creator, 3D, 動畫

WeVisOne-VL 整合多種視覺任務

2026 年 10 月 24 日

由座標定位延伸至遮罩與透明度摳圖，WeVisOne-VL 把多種視覺任務整合在一個模型，並以輕量解碼器處理像素輸出。

要在一張圖中找出物件、讀取文字，再按需要輸出座標、遮罩或透明度邊緣，WeVisOne-VL 把物件層級與像素層級工作整合為視覺語言模型（Vision-Language Model，VLM），適合標註及影像檢查流程。

模型建基於 Qwen3-VL，以 structured next-token prediction 生成定位結果：座標 token 表示點與框， token 則觸發像素解碼器。解碼器只有 9.6M 參數，重用 Vision Transformer（ViT）特徵，不需 Segment Anything Model（SAM）或外置分割骨幹，可輸出二值遮罩與連續 alpha matte。

任務涵蓋物件偵測、指稱定位、計數、指點、光學字元辨識（Optical Character Recognition，OCR）、指稱分割及 promptable alpha matting；找不到指定目標時會回傳 None，減少虛構定位。需要在同一流程處理定位、分割與前景摳圖的團隊，可評估它是否適合自身資料和任務。

提供 2B、4B 模型權重、推理套件、Cookbooks、Gradio 示範及評測流程。
微調程式碼尚未提供；資料亦未列出硬件需求或逐步安裝方式。
項目在 30 多項基準測試領先。

項目主頁 · GitHub

Categories: 開源, 騰訊, 模型, 視覺模型, 多模態模型, Qwen, 微軟, Image, Medical醫學

AnyGameRenderer 把粗糙遊戲錄影變成可玩風格畫面

2026 年 10 月 24 日

由灰色方塊與代理色組成的遊戲錄影，配合文字提示即可重繪成不同風格，同時保留角色、物件數量與動作時間。

遊戲原型仍是灰色方塊、彩色幾何體，AnyGameRenderer 就能把一段 24 fps、2 至 15 秒的普通影片，重繪成 AAA 寫實、LEGO、Ghibli、蠟筆或 synthwave 等風格。它屬於生成式影片模型，處理的是「畫面變漂亮後，角色位置、數量和出現時間仍要對得上」的問題。

輸入不需要逐物件標籤、引擎掛鈎或固定遊戲引擎格式，wireframe、semantic map、粗略 3D mockup、彩色 primitive 和 engine whitebox 都可作為來源。單一 checkpoint 已涵蓋 tower defense、kart racing、shooters、survivors-like 和回合制戰鬥等類型，適合 AI 遊戲生成工具、原型展示和美術風格探索。

保留 entity correspondence，細小及遠距離物件較不容易消失
文字提示可改變整體美術風格，同一段輸入可產生多種世界觀
以 entity-level benchmark 評估，而非只看逐幀畫面相似度
LoRA 訓練尺寸為 1344×768、124 frames；更長影片可執行，但未按該長度訓練

59 個測試案例、753 個 ground-truth entities 中，temporal match 由 zero-shot base 的 50.9% 升至 62.9%，position match 由 57.1% 升至 61.9%；未渲染率由 4.1% 降至 2.9%，hallucination rate 由 52.1% 降至 46.0%。提升仍未代表每個物件都能穩定對齊，長片段和高密度場景仍需檢查輸出。

需要 Python 3.10、PyTorch 2.9.1+cu128 等環境資訊，以及 setup_env.sh 和權重下載流程；完整執行仍需要相應 GPU 環境。項目同時公開模型與資料集連結，較適合希望把可玩原型快速轉成視覺樣片的開發者和研究團隊。

項目主頁 · GitHub · 模型

Categories: 開源, AI productions, 模型, 模型訓練, Qwen, Video, 工具, 3D, Python, 編程, Dataset 數據集, LoRA

RouteWeaver：先選工作方式，再決定呼叫哪些模型

2026 年 10 月 24 日

同一個問題未必適合只問一次、逐步追問或交由多個角色協作。RouteWeaver 把「如何組織模型呼叫」也交給路由策略判斷，並以成本回饋約束選擇。

遇上簡單查詢，多輪推理可能徒增成本；碰到程式或需要拆解的任務，只呼叫一次模型又可能不夠。RouteWeaver 是一個大型語言模型路由框架，讓單一策略先選擇單輪、多輪或 agentic 執行模式，再安排工作模型處理子問題，嘗試同時照顧答案品質與呼叫成本。

路由策略採用 Qwen3-4B-Instruct-2507，並在六個凍結的工作模型之間分配任務。所有模式共用一套行動格式：單輪只呼叫一次；多輪會按前一次觀察結果作出兩至四次連續呼叫；agentic 模式則可在最多八次呼叫中，以角色和參照關係組織多層協作。工作模型的輸出只作為策略的上下文，不會直接接受梯度更新。

訓練方法 COMET-GRPO（COordinated Mode–Execution Training）分開比較模式選擇和模式內執行，避免只看整段任務的獎勵時，難以判斷失誤源於選錯模式，還是執行不佳。漸進式探索會先由外部指定模式，待各模式累積執行經驗後，才逐步交由策略自行選擇；另一項獎勵則把成本納入考量，令路由器不只追求答案表現。

這套做法適合需要按任務難度調整模型呼叫流程的研究團隊，以及同時處理查詢、數學、程式和知識任務的服務。單輪模式可減少簡單工作的額外呼叫；多輪及 agentic 模式則提供分步推理或角色協作空間。代價是增加了路由策略與執行流程的訓練、協調複雜度，而成本獎勵也不能單獨保證每個任務都會選到最合適模式。

一個策略同時決定執行模式及工作模型路由。
六個工作模型保持凍結，策略負責編排呼叫與整理答案。
COMET-GRPO 分開給模式決策和模式內執行評分。
成本獎勵與漸進式探索，分別處理資源取捨及模式探索。

程式碼、訓練後的路由器及項目頁已公開；提供模型與資料入口。先理解方法及評估設定，再按公開程式與模型資料判斷是否符合自己的任務。

項目主頁 · GitHub · 模型

Categories: 開源, Agentic, 模型, 模型訓練, Qwen, 框架

Verus-Insight 分析可見瑕疵：影片真假判斷有跡可尋

2026 年 10 月 24 日

Verus-Insight 不只判斷影片是真還是假，亦會逐步規劃檢查項目、核實畫面證據，再整理成結構化結論。這套開源模型適合研究影片偽造分析及可解釋檢測的團隊評估。

Verus-Insight — Towards Explainable Artifact Detection in AI-Generated Videos

檢查 AI 生成影片時，單有真假標籤未必足以說明判斷依據。Verus-Insight 是一個影片瑕疵檢測模型，會按影片內容制定檢查準則、核實畫面中是否看得到相關瑕疵，再把觀察結果整合成真假判斷，讓分析不只停留在分類結果。

模型建基於 Qwen3-VL-8B-Instruct，採用「檢查規劃、證據核實、證據整合」流程。訓練方法以人工標註作錨點，涵蓋 Context → Rubric → Audit → Aggregation；這套流程旨在讓模型按影片內容提出檢查項目，並以可見證據支持結論。程式庫提供的是推理版本，並非可直接執行的訓練套件。

Verus-Bench 包含 192 段真實及 AI 生成影片，各佔 96 段，另有 320 項人工標註瑕疵，分屬 17 個類別。資料集可用來檢視模型能否找出細節瑕疵，但目前提供的資訊沒有列出具體評測分數，因此不宜據此判斷它比其他模型準確多少。

程式庫支援 Transformers、vLLM 推理，亦提供影片、圖片或影格序列輸入，以及批次推理與結果續跑功能。使用者可按文件準備 Linux、CUDA 環境並下載模型；Transformers 測試配置使用一張 H100 80GB GPU，但這只是已驗證配置，並非最低硬件要求。程式庫沒有提供訓練指令或訓練配方。

適合研究影片偽造、視覺瑕疵分析及可解釋檢測的團隊。
可由單一輸入測試，也可批次處理已整理的資料清單。
Verus-Bench 提供人工標註，方便檢視瑕疵定位與影片層級判斷。

項目主頁 · GitHub

Categories: 開源, AI productions, 模型, 模型訓練, Qwen, NVIDIA, Video, Image, Linux, 庫, Dataset 數據集

從影片理解世界：統一 Video World Models 的四種能力

2026 年 10 月 24 日

一份涵蓋 669 篇參考文獻的調查，整理影片模型如何讀取、生成、共享及互動於不斷變化的世界。

當模型要由片段影片理解場景、推演未來，甚至回應外部行動時，單純辨認畫面中的物件並不足夠。這份影片世界模型調查以影片與世界狀態的關係為主線，整理 Video Foundation Models 如何處理觀察不完整、時間變化和因果推理等問題。

調查將能力分成四個互相關聯的操作：Reading 從影片讀取語意、空間、時間、物理及因果資訊；Writing 生成可能發生的未來；Sharing 建立可供不同任務共用的表示；Interacting 則把感知結果連接到行動、控制和環境回應。內容涵蓋影片表示學習、Video-LLMs、影片生成、影片代理及世界預測等方向。

影片只是世界的部分記錄，而且可能遺失被遮擋的物件、視角以外的資訊或事件之間的因果關係。調查因此區分 temporal coherence 與 world consistency：畫面可以連續流暢，但物件再次出現時未必保持同一身份；鏡頭突然切換，也不一定代表世界狀態中斷。

• 以世界狀態統一影片理解與生成
• 覆蓋 2017 至 2026 年的研究發展時間線
• 比較 contrastive、masked、predictive 及 generative learning
• 關注長片段、串流觀察與影片代理的證據累積
• 收錄 669 篇參考文獻及多個尚待解決的研究問題

這份材料適合研究影片模型、World Models、多模態模型和 Computer-use agents 的讀者，也可作為設計影片理解、未來預測、模擬環境或機械人互動工作流時的索引。它屬於調查項目，並非可直接下載或安裝的單一模型；原始資料亦沒有提供具體使用流程。

項目主頁

Categories: Agentic, AI productions, 模型, 多模態模型, 世界模型, Video, Discord, 動畫

LaLa-World 用自然語言連接機械人規劃

2026 年 10 月 23 日

以文字描述動作，模型便可從模擬、機械人、圖片和影片學習並預測未來畫面，讓規劃不必為每個任務各自訓練世界模型。

只用文字描述動作，就能讓同一個世界模型從模擬、機械人、圖片和影片學習，並預測行動後的視覺變化。LaLa-World 是語言條件式潛在世界模型，目標是減少不同領域各自訓練模型的需要，支援跨場景規劃；它亦可微調成 LaLa-Policy，同時預測機械人動作和未來表徵。

關鍵做法是把自然語言當成共通的動作介面，再於潛在空間預測未來視覺表徵，而不是直接生成完整影片。研究結果指，加入圖片和影片資料可改善規劃能力，亦令模型較能適應不同動作措辭；這讓研究團隊可以把多種來源的資料納入同一套規劃流程。

在平均 MPC 規劃 LaLa-World 優於按領域或任務分開訓練的潛在世界模型。
與採用相同條件的 RAEv2 影片生成模型相比，規劃表現相若，訓練成本低 6 倍，規劃速度快 13.9 倍。
LaLa-Policy 在 LIBERO 和 RoboCasa 的結果可與 Cosmos Policy 比較，推理速度最高快 5.5 倍。
跨模態資料可提升規劃表現及對動作措辭的穩健性，對需要跨模擬與真實機械人資料研究的團隊較有吸引力。

這些結果令項目適合用作機械人規劃與政策學習研究，尤其是希望整合影片資料、減少逐個任務訓練成本的團隊。不過，GitHub 儲存庫目前仍在補齊內容：環境設定和資料準備程式已提供，LaLa-World 訓練及規劃評估程式、預訓練檢查點和解碼器則尚未公開，因此現階段未能按完整流程重現結果。

項目主頁 · GitHub

Categories: 開源, AI productions, 模型, 世界模型, 模型訓練, Video, Image, 庫

ShotVerse2.0：讓影片生成更有電影感

2026 年 10 月 23 日

從文字生成影片時，角色衣着、場景和鏡頭動作往往難以同時維持一致。FAPL 訓練多模態語言模型理解影片生成所需的時間線索，並支援分項控制。

文字生成影片時，模型不只要描寫眼前一幕，還要推斷未提供的時間變化，並在角色、場景、動作和鏡頭之間維持一致。FAPL（Factor-Aware Predictive Learning，因素感知預測學習）是一套訓練方法，旨在讓多模態大型語言模型（Multimodal Large Language Model，MLLM）的表示真正參與影片生成，而非被解碼器繞過。

它以 UniVideo 的 13B Video DiT 為基礎，不改動模型架構，而是分三階段訓練：先令 DiT 以 MLLM 潛在表示作為內容條件，再透過成對的因素編輯資料，教模型只改指定內容、保留其他因素；最後固定 DiT，訓練 MLLM 與連接器，讓只有文字或文字加完整影片的輸入都能對應同一影片目標。這讓方法同時處理文字推斷影片細節，以及按因素選擇性控制的需求。

研究報告的評測中，FAPL 把 Motion Order 由 48% 提升至 61%，∩-Acc 由 42% 提升至 58%，FaceSim-Arc 則由 0.451 升至 0.523。展示案例亦呈現角色衣着和外觀較能維持一致；不過，這些數字來自指定評測，不能直接視為所有提示詞或影片情境下的保證。

目前較適合研究影片生成、希望改善多因素控制的團隊參考。GitHub 資料標示程式碼、模型權重及 CineFactor-10K 評測提示仍待發布，因此暫未能按儲存庫提供的資料安裝或重現訓練；現階段可先閱讀論文及項目網頁了解方法與示例。

以 MLLM 潛在表示作為影片生成的內容條件。
分開訓練內容 grounding、因素控制與有限輸入預測。
可針對角色、場景、動作或鏡頭變更，同時保留其他因素。
在所列評測中，動作順序、因素準確度與人臉相似度均有提升。
程式碼、權重和評測提示尚未發布，現階段無法依實驗。

項目主頁 · GitHub

Categories: 開源, 香港科技大學, 騰訊, AI productions, 模型, 多模態模型, 模型訓練, Video, 提示詞, 香港, 庫

Code2Video-Compass：程式碼生成影片點樣評？2,104 項任務比較 15 個多模態模型

2026 年 10 月 23 日

Code2Video-Compass 把文字、圖片和影片輸入納入同一套程式碼影片生成基準，讓團隊比較模型能否產生可執行、貼合指示的影片。

由文字描述出發，或提供圖片、原有影片作參考，模型都要生成可執行程式碼，再經 Remotion 渲染成影片。Code2Video-Compass 是一套評估基準及評測程式，聚焦比較不同多模態模型在程式碼生成影片時的能力，而非提供一個直接生成影片的模型或服務。

它涵蓋文字轉影片（T2V）、圖片轉影片（I2V）和影片轉影片（V2V），支援 HTML/CSS、SVG、Canvas 與 Three.js 等程式碼方式。基準共有 2,104 項任務，分布於 10 個影片類別和 24 個子類別；其中 1,719 項任務配對 573 段來源影片，方便在不同輸入形式下比較模型如何保留參考內容及回應指示。

評測納入 15 個多模態大型語言模型，並以 12 項客觀指標和 5 項主觀指標檢視執行成功率、效率、影片品質、指示吻合度及參考內容保真度。相比只看成片觀感，這套基準亦檢查程式碼能否執行及生成流程的效率；不過，評測結果仍受任務設計、指標定義和主觀評分影響，不能單憑總排名推斷模型適合所有影片工作。

研究團隊可用它比較不同模型在特定輸入形式或影片任務上的表現，亦可檢查系統瓶頸是在程式碼執行、視覺品質，還是參考內容對齊。儲存庫提供評測程式，任務提示、標註、品質檢查清單及參考媒體資料則放在 Hugging Face；提供的資料未列出安裝步驟或完整執行流程，採用前需查看相關程式碼與資料集說明。

支援 T2V、I2V、V2V，並涵蓋獨立任務與來源影片配對任務。
模型以 HTML/CSS、SVG、Canvas 或 Three.js 產生程式碼，再由 Remotion 渲染影片。
以 12 項客觀指標及 5 項主觀指標，評估執行、效率、品質和指示吻合度。
適合模型研究及影片生成系統團隊作比較；它本身不是影片生成模型。

項目主頁 · GitHub · 數據集

Categories: 開源, AI productions, 模型, 多模態模型, Video, Image, 庫, Dataset 數據集

RealMe：從稀疏多鏡頭畫面重建 2K 沉浸式 4D 影片

2026 年 10 月 23 日

拍攝角度和畫面清晰度有限，也能為新視角補出細節並維持跨鏡頭、跨時間的一致性。RealMe 以影片擴散模型輔助重建體積影片，但程式碼仍未公開。

用稀疏、低解像度的多視角影片製作沉浸式內容，難處不只在補清楚每一格，也要避免不同鏡頭和時間點的畫面互相矛盾。RealMe 是一項體積影片重建研究項目，目標是把 720p 多鏡頭拍攝素材轉成 2K、具 4D 一致性的影片，適合需要從有限拍攝資料重建人物與場景的研究及製作團隊。

流程先由輸入畫面建立粗略的 4D 表示，再從新視角渲染結果和原始畫面裁切出輔助影片，交由高解像度影片擴散模型增強；生成結果會與原始拍攝一同用來細化最終表示。模型以 ControlNet 注入輔助影片條件，並在 DiT 中分開處理時間與視角方向的注意力，讓去噪過程能交換跨影格、跨視角資訊；頻率引導則用來恢復細節。

相比只提升單張影像清晰度的做法，RealMe 同時處理新視角品質與 4D 一致性。研究團隊表示，它在 RealVV 和 DNA-Rendering 兩個資料集的新視角合成品質及 4D 一致性上勝過當時的先進方法；與 STAR、FlashVSR 比較時，示範結果呈現更細緻的面部、頭髮和衣物細節。這些結果來自研究展示，未提供可供讀者自行重現的效能數字。

RealVV 是團隊自行拍攝的多視角資料集，涵蓋不同人物、動作、場景、相機基線和焦距設定，目標是測試較具挑戰性的拍攝條件。現階段 GitHub 程式碼仍在內部審查，資料亦標示為即將提供，因此目前可透過論文、項目網站及示範影片了解方法，尚未能按公開指引安裝或重現流程。

輸入為稀疏、低解像度的多視角影片，輸出目標為 2K 4D 體積影片。
影片擴散模型負責生成增強視角，再與原始拍攝共同細化重建結果。
DiT 的時間與視角注意力設計，用來維持跨影格、跨視角一致性。
RealVV 涵蓋多種人物、場景及相機設定；程式碼和資料目前尚未公開。

對多鏡頭人物捕捉、自由視角影片和 4D 重建研究而言，RealMe 展示了以生成模型補足稀疏拍攝細節的方向；但在程式碼與資料釋出前，製作團隊仍難以判斷其運算成本、所需拍攝條件及融入現有流程的難度。

項目主頁 · GitHub

Categories: 開源, AI productions, 模型, Video, Image, 中國, Dataset 數據集

Page 1 of 178

1 2 3 … 178 Next »