video-shotcraft：用一張產品圖製作可編輯的宣傳片

2026 年 10 月 25 日 Share to X Facebook Copy link

video-shotcraft 將 Claude Code 或 Codex 接到影片製作流程，以 Remotion 排版真實產品截圖，交付可編輯 MP4。

只要向 Claude Code 或 Codex 提出「替產品製作宣傳片」，video-shotcraft 便會擷取產品真實頁面，選取鏡頭、編排故事線，再以 Remotion 動畫化。最終輸出 MP4、瀏覽器編輯器 Motion Workbench，以及剪映可編輯草稿，方便後續修改。它不是端到端影片生成模型，而是一套整合截圖、動態配方、節拍與音效的 agent skill。

• 以真實截圖及文案作畫面素材，保留品牌外觀與文字清晰度
• 提供 124 張 recipe cards，涵蓋 150 種鏡頭及預覽
• 流程涵蓋 storyboard、Remotion 動畫、節拍同步、聲效及逐格檢查
• 可交付 MP4、Motion Workbench 與剪映草稿

這種做法與文生影片模型的分別，在於每一幀都由程式碼繪製，而不是生成抽象影像；代價是成品取決於頁面素材、shot recipe 的覆蓋範圍及 Remotion 排版，創意空間主要來自鏡頭選擇和動態組合。36.2 秒的 ready template 可供快速改稿，但較長或講解密集的產品影片仍需要重新編排內容。

產品團隊、獨立開發者及需要反覆製作版本宣傳片的 marketing 部門，都可從「保留可編輯性」中受益。工程師可用現有網站截圖建立視覺稿，內容團隊亦可沿用剪映草稿調整節奏，省去由錄屏再逐段重做動畫的時間。

一行 “幫我安裝這個 skill：https://github.com/Vincentwei1021/video-shotcraft” 便完整安裝。適合希望將影片製作納入 coding agent 工作流、而非直接生成寫實片段的團隊。

項目主頁 · GitHub · 作品展示

Categories: 開源, Agentic, AI productions, Video, Image, Vibe Coding, 編程, Anthropic, 動畫, 聲效, Skill 技能

---

FilmFlow: 虛擬電影攝影機代理

2026 年 10 月 24 日 Share to X Facebook Copy link

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。

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

---

從影片理解世界：統一 Video World Models 的四種能力

2026 年 10 月 24 日 Share to X Facebook Copy link

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

---

PrismaCoder 的多模態生成

2026 年 10 月 23 日 Share to X Facebook Copy link

多模態程式碼智慧將程式的符號世界與其執行所產生的視覺世界連結起來。

從文字或視覺輸入生成圖表、網頁、示意圖、文件和動畫，PrismaCoder 是一系列開放的多模態程式碼模型，處理的不只是程式能否執行，也包括輸出畫面是否符合要求。這對需要快速製作圖表、前端介面或科學文件的開發者和研究團隊，提供了涵蓋多種視覺程式任務的模型選擇。

它的訓練流程 PrismaForge 會為每項指令建立評分規準，分開檢查程式碼與渲染結果，再用相同規準篩選訓練資料及提供強化學習獎勵。這做法把「程式寫得對」和「畫面呈現得對」分開衡量，減少只靠整體印象評分所帶來的偏差。

模型以 Qwen3.5 為基礎，提供 9B 和 35B-A3B 兩種規模，並各有監督式微調（SFT）及強化學習（RL）版本。PrismaCoder-2M 資料集涵蓋圖表生成與重建、網頁介面、互動示範、向量圖像、科學文件及化學圖形等任務；評估工具包括 VisPlotBench 和 ChemDraw。

• PrismaCoder-9B 的 SFT 與 RL 權重均可取得；35B-A3B 的 RL 權重仍在上載中。
• 項目網站稱模型在圖表、前端頁面和半結構化文件任務中領先開放模型，並能匹敵或超越部分專有系統；具體分數需查看網站或論文。
• 儲存庫已提供格式專屬執行與渲染檢查、多模態資料合成，以及 Python、SVG、HTML 的文字評分工具；PrismaForge 完整評分與資料篩選流程，以及 SFT、RL 訓練腳本仍未完成。

模型權重和資料集可經 Hugging Face 項目頁取得；不過，儲存庫目前未提供完整訓練流程，35B-A3B 的 RL 權重亦未上架。想先驗證生成品質的團隊，可參考 VisPlotBench、ChemDraw 評估程式和互動示例；若要自行重現訓練，則要留意腳本尚未開放。

項目主頁 · GitHub · 模型

Categories: 開源, 模型, 多模態模型, 模型訓練, Qwen, Image, 工具, Python, 庫, 動畫, Dataset 數據集, 強化學習

---

JCA 讓文字生成可重播的 3D 動作與影片

2026 年 10 月 22 日 Share to X Facebook Copy link

文字提示不只生成畫面，JCA 亦同步產生可重播的 3D 動作，並支援場景及關鍵影格控制。

文字生成影片時，動作通常只留在畫面裏，難以直接套用到指定的 3D 角色，或放回原有場景。NVIDIA Research 的 Joints, Camera, Action!（JCA）同步生成影片、3D 骨架動作與鏡頭資訊，讓動作可以重播，並對應到 3D 場景。

JCA 支援不同骨架結構，不限於人形角色。輸入圖片可令動作回應周邊環境，加入少量關鍵影格則可控制動作軌跡；模型亦支援由影片還原骨架動作，或由骨架動作生成影片，適合 3D 資產動畫、場景化影片製作和動作擷取。

• 文字提示可生成同步的影片與 3D 動作。
• 輸入圖片和關鍵影格可提供場景及動作控制。
• 支援不同骨架結構，並可進行影片與動作之間的轉換。

模型以圖編碼器描述骨架，並讓獨立的動作模型與預訓練影片生成器透過少量 cross-attention layers 交換資訊。動作模型可先利用較易取得和擴增的純動作資料學習；它亦會定位影片中的關節，以推算鏡頭位置，協助把 3D 動作放回場景。

訓練資料接近 20 萬組配對，涵蓋人類與機械人影片，以及經整理、確保動作有效的 3D 資產場景影片。研究團隊表示，評估中 JCA 比以影片生成為先的流程更貼合文字描述，動作也能回應場景；原文沒有列出量化指標，效果幅度仍難以比較。

項目主頁

Categories: AI productions, 模型, 視頻模型, 模型訓練, NVIDIA, Video, Image, World-Action Model, 教學, 3D, 動畫

---

PhysSkin++ 令 3D 模型郁得唔再硬掘掘！

2026 年 10 月 21 日 Share to X Facebook Copy link

PhysSkin 把靜態 3D 形狀轉成可泛化的物理動畫控制，減少每個模型重新訓練的成本。

不同模型形狀、網格密度甚至空間表示法各異，物理動畫往往要重新建立變形控制。PhysSkin 屬於 3D 動畫模型，透過自監督 Neural Skinning 學習連續 Skinning Fields，讓不同形狀可以共用即時物理動畫能力。

模型先用 transformer-based shape encoder 讀取形狀，再由 cross-attention field decoder 產生與形狀相關的變形子空間；physics-informed self-supervised objectives 則以物理約束和正交性要求取代完整模擬軌跡標註。這個組合針對的是泛化能力與運算速度之間的取捨，而不是單純追求更細緻的離線模擬。

README 提供 Python 3.11、PyTorch 2.7.1 等環境版本，以及資料目錄、physskin_vis.ipynb 視覺化筆記本和訓練流程。資料包含 (1, 256, 768) 的 float32 latents 與三維內部點，項目亦列出預訓練 checkpoint 路徑；原始資料沒有交代公開下載方式，不能因此假設模型可隨意取得。

• 可跨不同形狀與 discretization 使用連續 Skinning Fields
• 以自監督物理目標減少動畫標註依賴
• 支援即時 physics-based animation 的研究與互動控制場景
• README 沒有提供具體 FPS、誤差或同類方法差距

對動畫研究、3D 內容工具及需要碰撞互動的圖形團隊，PhysSkin 更適合用作研究原型或既有 rig 的物理補強。配套的 PhysSkin++ 描述進一步延伸至 meshes、point clouds、NeRFs 和 3D Gaussians，但這些能力不應直接當成本 GitHub 項目中同一 checkpoint 已完整提供的功能。

項目主頁 · GitHub

Categories: 開源, 模型, 模型訓練, 工具, 3D, Python, 動畫

---

Manga2Animate 雙智能把關分鏡，動漫不走樣

2026 年 10 月 21 日 Share to X Facebook Copy link

把漫畫直接餵進影片模型，角色與分鏡往往走樣。Manga2Animate 改走正規動畫流程：先寫腳本、再繪分鏡，最後才生成影片，由審核智能體把關忠實度。

想用 AI 把幾頁漫畫變成連貫動畫，最常撞到的兩個卡位是：純文字輸入會讓角色外貌與畫風消失，直接把分鏡頁送進影片模型又會誤判版面、講錯故事。Manga2Aniate 屬於多智能體框架，它把整條流程切成「預處理 → 腳本與分鏡優化 → 影片生成」三個階段，第二階段是關鍵差別所在：系統先生成動畫腳本，再產出視覺分鏡，兩者各由一個 creator agent 撰寫，並由對應的 reviewer agent 對照原始漫畫頁給意見，前後跑兩輪迭代才進入成片。

預處理階段用 Magi 偵測漫畫格並排出閱讀順序、抽取文字，再由 Character Description Creator 從角色參考圖歸納出識別特徵，避免後續鏡頭換角色就認不出來。這個雙層審核機制，是它和一般 I2V（image-to-video）套法最大的分水嶺。

對動漫改編從業者、影像敘事研究者，或想快速把作品原型化的獨立創作者，這套 pipeline 提供了比端到端模型更可控的中介層。論文與用戶研究都顯示，無論是角色一致性還是跨鏡頭連貫性，輸出都較接近既有方法優勝。

重點摘要

• 三階段流程：Magi 切格＋轉錄 → 腳本與分鏡兩輪迭代 → 片段式影片生成
• 雙智能體架構：creator 撰寫、reviewer 對照原頁把關，腳本與分鏡各有獨立審核
• 兩種生成模式：ref 模式以角色參考為主，i2v 模式則把分鏡切成首幀再生成
• 開源後端齊全：程式碼、評測資料與模型設定皆公開，方便重現
• 改善既有 I2V 套法常見的「角色走樣、敘事錯位」問題，在忠實度與一致性上有所提升

需要留意的是，目前公開的程式碼屬於研究框架性質，本地重現需要自行串接影片生成後端，權重未統一打包，下載及設定流程會比一般一鍵安裝的開源項目多幾道手續。

項目主頁 · GitHub

Categories: 開源, Agentic, AI productions, 模型, Video, Image, 框架, Content Creator, 動畫

---

OfficeTown 模擬真實職場流程

2026 年 10 月 20 日 Share to X Facebook Copy link

Office Intelligence 團隊把辦公室變成可執行的訓練場，讓 AI 代理用 Excel 等真實工具完成對帳、覆核等文書任務，再從中累積學習素材。

文書工作不像回答一條 prompt 咁單純——開工前要先知道自己係邊個角色、手上有咩檔案、工具開咗未，做完仲要有人覆核。Office Intelligence 就係圍繞呢種「連續作業」嘅場景，幫知識工作代理（knowledge-work agents）搭建貼近真實嘅練習環境。

團隊將呢套框架劃分為四個部分：OfficeTown 提供可執行嘅工作環境，包括角色、權限與開機狀態；DocAtlas 處理文件層面嘅證據與脈絡；XL-DocBench 負責評估交付成果嘅品質；harness 則串接工具介面與審批流程。任務設計以「請求→證據→交付→覆核→下一個任務」嘅循環為核心，每次執行嘅過程都會留底，成為下一輪學習嘅素材。

以一個金融對帳任務為例，代理需要用 Excel 整理三條例外紀錄，喺交付嘅工作底稿中交代差異同處理建議，並標出尚缺嘅證據。呢類任務唔係計較答得幾快，而係睇交付物能否交到下一個人手上覆核。

呢個框架比較適合關注代理長流程作業、文件自動化同企業流程自動化嘅開發者同研究團隊。辦公室場景比純 prompt 模擬更貼近部署環境，對建立可審核、可追溯嘅 AI 工作助手有直接參考價值。OfficeTown 嘅公開版本仍在籌備中，有興趣嘅讀者可留意官方網站嘅後續更新。

項目主頁

Categories: Agentic, 模型訓練, 框架, 工具, 動畫

---

ManimGX 高速 3D 動畫渲染

2026 年 10 月 15 日 Share to X Facebook Copy link

面向 AI agents 的 Manim 相容動畫引擎，以 Rust 和 wgpu 大幅縮短 2D、3D 教學動畫的製作等待時間。

製作數學教學片時，渲染速度往往比寫動畫程式更容易拖慢流程。ManimGX 屬於開源 3D 動畫引擎，兼容 Manim CE API，讓 Python 使用者可用熟悉的文字、方程式、曲面和鏡頭，處理 2D 與 3D 動畫生成。

它以 Rust 和 wgpu 重寫渲染核心，並加入完整靜態類型、關鍵字參數及 .animate 鏈式寫法；LaTeX 或 Typst 不需另行安裝。項目亦支援瀏覽器執行，透過 Pyodide 讓示範、教學或 AI agents 生成的動畫毋須先配置完整本地環境。

ManimGX

• M4 Pro、1080p60、五個場景合計 36.2 秒影片，渲染需時 3.08 秒
• 同一測試中，比 Manim CE 快 90.6 倍、ManimGL 快 11.5 倍、Blender Workbench 快 18.7 倍
• manimgx inspect 可檢查 storyboard、2D 版面，以及指定時間或播放結束時的畫面
• 支援語音同步，方便按旁白內容安排動畫節奏

安裝可選 prompt、PyPI 或 npm，適合數學教育、技術內容製作，以及需要反覆生成和檢查畫面的 agent 工作流。速度數字來自 Apple M4 Pro 的固定場景測試，不能直接代表所有硬件、動畫複雜度或互動需求；對已深度依賴 Manim CE 生態的團隊，API 相容性可降低遷移成本，但仍應先驗證現有場景和第三方功能。

GitHub

Categories: 開源, Agentic, AI productions, API, Video, 教學, 3D, Python, 語音, 動畫, 蘋果

---

CineRecon 以 Blender 重建實景影片

2026 年 10 月 15 日 Share to X Facebook Copy link

CineRecon 將影片重建變成可檢驗的 Agent 任務，要求模型由參考影片建立可編輯、可動畫化的 Blender 場景。

由完整參考影片出發，Coding Agent 透過 Blender MCP 撰寫及修改 Python，反覆比對渲染畫面，再建立包含幾何、材質、角色動作與鏡頭動畫的可編輯場景。CineRecon 屬於影片重建 benchmark，處理的是模型能否將時間連續的影像內容還原成可修改的 3D 工作成果，而不只是產生相似畫面。

項目以三個重建層級拆開能力差異：Proxy 只要求位置、互動及鏡頭運動，Simplified 再保留可辨認形狀和主要外觀，Detailed 則加入特色形狀、材質和細節。三個層級都要求相同的主體動作、事件及攝影機行為，方便分辨模型是只掌握構圖，還是能重建完整視覺內容。

• 50 段參考影片，切分成 360 個評估片段
• 35,836 筆獨立 checklist 記錄，按層級擴展至 49,668 項檢查
• 評估 Camera、Static、Dynamic 三類一致性
• 支援畫面選取、時間戳對齊、並行評分、續跑及分數彙總

評分由獨立 VLM judge 對齊參考與渲染影片，按片段 checklist 檢查 11 個類別，並以 Camera、Static、Dynamic 三個同等權重維度計算結果。這比單一影像相似度更能揭示鏡頭是否跟足、物件是否保持穩定，以及動作和事件有沒有在正確時間發生。

測試需要 Python 3.10 或以上，支援 Linux 及 macOS；項目提供資料、提示詞、驗證工具和離線 smoke test，但不包含 Agent launchers。團隊可先用離線流程確認資料與評分管線，再接駁 Blender MCP 和隔離 worker 執行重建；研究模型能力時，CineRecon 的價值在於把「看似相似」拆成可追蹤的鏡頭、靜態內容和動態內容，而不是只比較最後一段影片。

項目主頁 · GitHub

Categories: 開源, Agentic, AI productions, MCP, 模型, 視覺模型, Video, Image, 提示詞, Vibe Coding, 工具, Mac, 3D, Linux, Python, 編程, Anthropic, 動畫, Dataset 數據集

---