MiniMax H3 配合 ComfyUI 自訂節點，示範如何建立換臉與換身流程，方便整理影像生成工作流。
由換臉延伸到換身，影片示範 MiniMax H3 在 ComfyUI 中處理人物影像替換的完整流程，重點放在如何把不同步驟串連起來，減少使用者自行摸索節點配置的時間。
流程以 ComfyUI 為操作環境，並配合 custom nodes 建立 Face Swap 和 Body Swap 工作流。對需要處理人物素材、測試影像生成效果，或想將換臉與換身加入現有影像項目的創作者，這類示範可作為起點。
影片涵蓋的內容包括：
– MiniMax H3 在 ComfyUI 中的工作流安排
– Face Swap 換臉流程
– Body Swap 換身流程
– Custom nodes 的配合方式
– 從輸入素材到結果輸出的完整操作示範
ClawGym 讓本地、帶狀態的工作空間可用來合成資料、訓練代理同評估表現。你可以把它理解成一套面向 Claw-style personal agents 的研究與實驗框架。
ClawGym 把原本分散的代理開發流程收攏到同一個工作框架內，重點是處理本地、帶狀態工作空間中的任務生成、訓練同評測。對做 agent 研究或想驗證 Claw-style personal agents 的人來講，佢解決嘅唔係單一模型能力，而係點樣有系統咁建立可重複的實驗流程。
它嘅做法唔係只提供一個執行環境，而係同時涵蓋資料合成、agent 訓練同 benchmark 評估。令研究者可以用同一套基礎去跑不同任務，再睇代理喺有狀態工作空間入面表現有幾穩定。
幾個重點值得留意：
– 針對 local、stateful workspace，適合需要保留上下文同操作痕跡的任務
– 同時涵蓋 synthesized data、training 同 evaluation，減少流程分散
– 聚焦 Claw-style personal agents，而唔係泛用式聊天代理
– 已釋出 ClawGym-Bench 同 ClawGym-SynData，方便做對照測試同資料實驗
從公開資訊睇，ClawGym 亦一路延伸到更大範圍的 RL on general agent tasks，甚至可以透過 OpenClaw、Claude Code 呢類較複雜的 black-box agent harness 去做統一訓練。對想比較不同 agent 工作流、或者研究黑箱代理強化學習的人，佢提供咗一個較完整的基座。
同一類推理會反覆動員同一批神經元，跨領域則明顯分開。這個項目把 LLM 內部的「分工」做成可重跑的分析流程。
人腦展現出顯著的功能特化程度，不同的神經網路分別支持語言、形式推理、對他人心智的推理以及對物理世界的推理。這種模組化組織是智慧系統建構的基本原則，還是生物大腦特有的進化偶然現象？本文檢驗了大型語言模型（LLM）——另一類透過截然不同的最佳化過程所建構的智慧系統——是否也呈現出類似的組織結構。
值得留意的不是它再講一次模型會推理，而是它嘗試回答：大型語言模型做語言、數理、物理同社交推理時，內部是否真的有近似人腦功能網絡的分工。Pengrui-Han/LLM_Modularity 屬於研究分析工具與資料流程項目，核心工作是用 attribution patching、neuron overlap 同 causal ablation，定位 46 個任務在四個認知領域各自依賴的神經元群。
結論唔止停留在可視化。項目整理出六個 24B 至 123B frontier LLMs 的一致結果：同領域任務的神經元重疊高出 4.3 倍，ARI = 0.78；把某個領域相關神經元做 lesioning 或 ablation，該領域準確率下降幅度比跨領域高 10.3 倍。換句話說，模組化唔係單靠圖像解讀，而係有因果干預支持。
跟一般只看 attention pattern 或 embedding 聚類的做法相比，這個項目更著重「哪些單元真的支撐任務完成」，所以會用 full-sequence teacher-forcing metrics、corrupted-activation ablation，同按模型家族調整的 nnsight 載入流程。代價亦很直接：它不是輕量級 demo，需要 Linux、torch 2.10.0、nnsight 0.4.1，同 NVIDIA GPU；24B 至 123B 模型更要多 GPU 才較可行。
較適合做 mechanistic interpretability、認知科學、AI 安全，或者想比較 Qwen、其他大型模型內部推理結構的研究團隊。它暫時更接近研究管線，而不是即裝即用產品；不過資料夾結構、config、scripts 同 results 已經足夠完整，對想重跑實驗、改任務集，或者把 OSWorld 以外的複雜推理基準接入分析流程的人，參考價值相當高。
OpenART 將工具型 code agent 的安全評估做成可重現的 Docker 工作流，重點不是跑單一任務，而是觀察環境變化如何累積成風險。你可以把它理解成一個用來做 agent red teaming 的開源框架。
OpenART 把工具型 code agent 的安全測試，拉到一個更貼近長流程工作的環境裡。它不是單純驗證模型會不會答對，而是看 agent 在共享狀態、連續工具操作與環境演化之下，會不會慢慢走偏，這對做安全研究、紅隊測試或 agent 平台驗證的人都更有參考價值。
整個項目是 Docker-native 的框架，安裝後可先跑本地 smoke task，確認容器、評估器和路徑都正常，再切換到高複雜度任務。README 內也提供 target-only 與 attacker 兩種跑法，方便對比單看目標 agent 與加入 OpenCode-compatible attacker 的差異；任務圖會從 openart-tools 自動選取所需工具，使用方式偏向可控實驗而不是即插即用服務。
它的取捨很清楚：OpenART 把重點放在可重現、可擴展的安全評估，而不是包裝成一個面向終端用戶的產品。項目保留可執行 runtime、少量高複雜度示例與管理過的工具子集，卻刻意不放批次實驗驅動、生成結果和私有場景語料，代表它更像研究與測試底座，適合需要自行編排實驗的人。
論文背景提到，OpenART 提供超過 10,000 個已驗證 stateful scenarios，涵蓋 50 個領域，並支援 75 種 agent-model 配置的統一評估；EMHA（Evolutionary Markov Hypergraph Attack）則是用來推動環境演化的黑箱策略，無需更新參數。文中亦指出，複雜環境下，環境演化比只改指令更容易揭示安全失誤，這正是它相對一般短任務 benchmark 的關鍵差別。
Google DeepMind 將手語識別 AI 整合到日常應用，讓失聰與健聽人士的溝通更自然。
聾人手語使用者日常面對的最大卡位，是怎樣讓手機或視訊鏡頭直接「讀懂」手語並即時翻譯。Google DeepMind 近期把手語 AI 從實驗室帶到實際產品中，覆蓋約 30 個美式手語（ASL）詞彙並透過 Gemini 模型支援即時回應，目標是讓聾人朋友毋須依賴真人翻譯就能完成基本對話。
這套技術並非單純的影像分類，而是結合姿態估計、語境理解與大型語言模型的能力，把手語動作轉成自然語言並維持對話節奏。比起過去只能辨識孤立詞彙的系統，現時更著重處理連續手語與多輪對話，使翻譯過程貼近真實交流節奏。
DeepMind 同時強調負責任部署，與聾人社區合作收集訓練數據，並透過小規模詞彙起步降低誤譯風險。對於依賴視訊通訊的聾人用戶來說，這項能力讓 Zoom、Meet 等場景下的溝通體驗更貼近健聽人之間的對話節奏。
這項功能適合手語使用者、聾人家屬，以及需要服務聾人客戶的企業。它並非要取代真人翻譯，而是作為日常輕量溝通的輔助工具，降低手語學習門檻並促進更即時的互動。
重點摘要：
AI Agent 大部分時間都在做工具呼叫、結果驗證等高頻次執行，而非高階推理。Nemotron 3.5 Lightning 以 30B MoE 架構瞄準這個執行層，速度比同級模型快 4 倍。
長期運行的 AI Agent 真正花時間的地方，往往不是規劃，而是工具呼叫、結果驗證、子代理分派這些高頻次的執行步驟。每一個小動作都用頂級推理模型去跑，會帶來明顯的成本與延遲壓力。NVIDIA 推出的 Nemotron 3.5 Lightning 就是針對這個「執行層」設計的開放模型，採用 30B 參數的 Mixture-of-Experts（MoE）架構，但每次只啟動 3B 參數，在維持效率的同時兼顧準確度。
與坊間常見做法不同，Nemotron 3.5 Lightning 並非要取代大型推理模型，而是與之分工——前者處理高頻執行，後者專注規劃與複雜推理。模型本身針對 agent harness（如 OpenClaw、Hermes Agent）做了訓練優化，並提供 speculative decoding、NVFP4 與 BF16 量化版本，宣稱輸出速度比同級模型快 4 倍。這對需要長時間在線、隨時待命的 Agent 來說，省下的不只是金錢，還有回應時間。
NVIDIA 同時推出 NeMo Switchyard，一個負責任務分派的路由函式庫，能根據任務類型自動挑選最合適的模型。整個 Nemotron 系列定位有點像「模型版的軟件庫」，每次發佈都在累積可組合的元件。對於需要自己掌控成本與效能的開發團隊，這套組合提供了相當完整的權重、數據與訓練配方，加上寬鬆的開源授權，方便做深度客製化。
這個項目把多個個人 AI Agent 放在同一個沙盒裡合作做任務，再刻意注入攻擊，檢視它們會否洩密或越權。它想回答的是：當 Agent 開始互相呼叫，安全性該怎麼量度。
當 AI Agent 不再是單兵作戰，而是要在共享任務裡交換訊息、互相呼叫工具，真正的風險往往不在模型本身，而在邊界有沒有人守。WeClawArena 是一個開源基準與可審計的運行沙盒，它模擬每個「人類擁有者」各自帶著一個 Agent、私有資源、角色專屬工具與本地規則，再讓這些 Agent 一起完成跨擁有者的任務。沙盒會全程記錄訊息、工具呼叫、資源操作與治理決策，方便事後追查誰在什麼時候越了界。
與一般針對單一 Agent 的安全測試不同，這個項目刻意把「協作失敗」與「攻擊成功」拆開評估。它在六個領域共 124 個基礎任務、620 個變體上，加入無攻擊組作對照，並針對協作、安全、私隱、治理四類攻擊條件各自打分，得出任務成功率（TSR）與攻擊成功率（ASR）兩組指標。Bargaining、Bidding、Travel、SWE-Workspace、Clinical、Trading 這幾個場景覆蓋了採購談判、軟件工程協作、臨床團隊、投資俱樂部投票等高利害情境。
對從事 Agent 安全研究、紅隊測試，或要部署多 Agent 協作流程的團隊，這套沙盒提供了一個可重現、可審計的環境。從 README 與 HF Papers 頁面可見，作者 Prince Zizhuang Wang 等人已把論文、數據集與 v2.0.0 版本代碼同步公開，採用 Apache-2.0 授權代碼、CC BY-NC 4.0 授權數據。
重點摘要：
Muse Glimmer 30B 針對本地部署而設，把圖文理解和代理式操作放在同一個模型裡。它同時提供 BF16、GGUF 與 ExecuTorch 版本，方便不同裝置取用。
Muse Glimmer 30B 屬於多模態 agentic model，重點放在本地部署時的可用性。對需要在自己裝置上處理圖文輸入、又想保留代理式工作流的用戶來說，這種設計比只提供單一格式的模型更實用，因為可以按硬件環境選擇合適版本。
Meta 這次一口氣放出多種包裝，包括 BF16 權重、GGUF k-quants、ExecuTorch builds，還有一個較細的 assistant 版本。這代表它不是只面向單一推理環境，而是嘗試覆蓋桌面、本地推理引擎，以及流動裝置部署等不同需求。
從現有資訊看，Muse Glimmer 的核心價值在於把多模態能力和本地執行的彈性結合起來。GGUF 版本方便在本地執行推理，ExecuTorch 版本則指向更輕量的裝置端部署；對想控制資料流向、減少依賴雲端服務的工作流，會更有吸引力。
現時公開資料較集中在模型包裝與部署形式。就定位而言，它更像是一個面向實用部署的多模態模型系列，而不是只靠單一規格吸引注意的發佈。
打幾句文字指令，就能讓 Hermes Agent 在 Windows 控制 ComfyUI，串起影像、聲音到影片生成流程。
由文字指令直接帶動整條 AI 內容製作流程，正是這段教學最吸引人的地方。影片示範 Hermes Agent 在 Windows 電腦上接手 ComfyUI 操作，把影像、語音與影片生成串成一套可執行工作流，減少人手逐步點擊介面的時間。
這類做法處理的，是多工具協作時常見的斷層：模型會生成內容，但流程仍要靠人逐格設定、切換節點、整理輸出。Hermes Agent 扮演的角色更接近可執行指令的 Agent，讓使用者用自然語言描述需求，再由它推動 ComfyUI 與相關模型完成步驟。
影片標題提到的 Krea 2、LTX 2.3、Qwen 與 Fish Audio，反映這條工作流並不只限於單一模型，而是把視覺、影片與音訊能力接在一起。重點不在單一模型參數，而在於怎樣把不同項目整合成可重複使用的自動化流程。
對內容創作者、想整理 AI 製作流程的人，這類教學特別有參考價值。它未必代表所有步驟都能完全免調整，但已清楚展示 Agentic 工作流如何把 ComfyUI 由節點工具，進一步變成可自動執行的製作中樞。
重點唔止係識睇同識答，而係令機械人連身體控制都更連貫。Gemini Robotics 2 指向的是把感知、推理同動作放入同一條工作流。
機械人最難處理的，往往不是單一步驟，而是由看見環境、理解指令，到整個身體協調完成動作的連續過程。Gemini Robotics 2 聚焦的正是這個落差，嘗試把 whole body intelligence 帶入機械人，讓系統不只會辨識和規劃，還能更自然地連動身體控制。
Google DeepMind 把它放在 Gemini Robotics 這條 physical AI 路線之下，定位清楚偏向機械人操作與互動。相比只處理螢幕、語言或單一機械臂任務的做法，這個方向更重視整體行為是否連貫，包括感知、推理、用工具與跟環境互動能否接上同一套能力。
對研究機械人、embodied AI 同 VLA 工作流的人來說，這類項目最有參考價值的地方，在於它瞄準真實場景中的協調問題，而不是只展示單點能力。文章提供的內容仍屬簡介層面，未見完整評測細節、量化指標或部署條件，所以現階段較適合當成技術方向觀察，而不是直接當作可落地規格。
整體來看，Gemini Robotics 2 反映出機械人模型正在由「識唔識做判斷」走向「能唔能夠完整做完一個動作」。對需要長步驟操作、工具使用與環境互動的場景，這種整合式能力會比單一模組升級更值得留意。