WaveForcing 讓多段影片同步去噪，持續輸出畫面；高速度背後，仍要付出多張高階 GPU 的成本。
WaveForcing 讓影片不同片段同步去噪，毋須逐段完成才繼續。這套串流影片擴散方法在流水線填滿後，每輪前向運算便輸出一個片段，適合研究連續影片生成的團隊。
Wave Parallelism 讓各張圖形處理器（Graphics Processing Unit，GPU）持有完整模型，分工處理不同片段與去噪階段，而非拆開模型。較嘈雜的新片段可參考較乾淨的舊片段，Wave Runtime（WaveRT）則把資料傳送與運算重疊，減少等待。
測試環境已驗證 Python 3.12、PyTorch 2.11.0+cu128、SGLang diffusion runtime 及 Hopper GPU。準備測試須下載基礎模型與 WaveForcing 權重。
4-step 版本在八張 H200、832×480 解像度下，連同解碼達每秒 134.8 幀。這個結果展示多卡串流吞吐量，不能當作單卡速度或首幀延遲；硬件成本仍是採用門檻。
想了解 AI 影片生成如何由單次生成走向規劃、互動和持續改進，這份研究索引整理了 387 篇論文與相關資源，並提供三條互補的閱讀路徑。
由創作影片、探索生成世界，到改進生成系統，研究者關心的問題各不相同。Awesome Agentic Video Generation 是一份論文與資源索引，整理 Agent harness 如何連接目標、工具、記憶、回饋與執行流程，協助讀者追蹤 Agentic Video Generation、Agentic World Modeling 和 Recursive Self-Improvement（RSI）相關研究。
三條閱讀路徑分別聚焦影片創作流程、生成世界中的行動與狀態，以及資料整理、模型訓練、評估和改進程序。它們代表不同研究情境，而非能力排名；同一項資源亦可能出現在多條路徑中，387 是去重後的總數。
索引收錄的題目涵蓋從創作簡報規劃影片、生成鏡頭和後期剪輯，到讓代理在生成世界中行動並維持狀態。例如 CutVerse 聚焦媒體後期剪輯的 GUI agents benchmark；CineAGI 探討以 LLM 編排多模態生成及跨場景整合。這些題目讓讀者可以按工作流程或研究問題尋找相關方向，但索引本身不代表每個項目都已證明具備 RSI。
對研究者、影片生成系統開發團隊，以及需要快速掌握相關文獻的讀者，這份索引可作為分類閱讀的起點。它的價值在於整理與導覽，而非提供可直接執行的影片生成工具。
模型看見物件，不代表能逐步追蹤它們。ReGap-Bench 用可配對的視覺參照，測出多模態推理究竟卡在哪裏。
模型明明看見圖中所有物件，數數時卻會重複計算；ReGap-Bench 是一個針對 multimodal large language models（MLLMs）的資料集與評測項目，專門檢查語言推理能否正確對應視覺中的物件、區域和位置，並將問題命名為 reference gap。
它把同一場景、問題和答案固定，只更換額外參照，形成 paired reference-intervention benchmark。編號讓物件可以被索引，陰影標示有界區域，網格線則協助定位、追蹤邊界和比較位移；參照是否配合任務，會直接影響推理結果。
測試可用 OpenAI、Google Gemini API，亦可透過 vLLM 執行 Qwen3.5；後者需要 GPU，API 模型則只需設定相應金鑰。Python 3.10 環境和 requirements 已列明，輸出會保存到 outputs，方便比較同一模型在不同參照條件下的差異。
ReGap-Bench 的價值不在於再加一個總分，而是把視覺感知和語言推理之間的接合問題單獨拉出來。結果支持一個務實判斷：改善模型未必只靠更強的視覺編碼器，為任務建立合適的外部視覺參照，也可能成為不需重新訓練的 visual skill；不過參照錯配會反過來干擾模型，因此它更適合研究團隊、MLLM 評測人員和需要分析多步視覺推理失誤的開發者。
GLOW-FM 把低光影像增強壓縮至一次網絡運算，兼顧生成質感與推理效率，適合資源有限的影像處理場景。
低光相片往往同時缺乏細節和自然色彩，逐步生成雖然有助改善觀感，卻增加運算成本。GLOW-FM 是一個低光影像增強（Low-Light Image Enhancement, LLIE）模型項目，透過一次網絡評估恢復影像，處理高質素與低延遲之間的取捨。
項目把影像先映射到緊湊的 latent space，再由輕量 Tiny-VAE 和 Hourglass Diffusion Transformer（HDiT）合作完成修復。HDiT 以 Terminal Velocity Matching（TVM）訓練，推理時只需一步；GLOW-FM-S 的公開規模為 34 GFLOPs 及 9.1M 參數，對邊緣裝置或需要批量處理的工作流程較有吸引力。
GLOW-FM 延續曾於 NTIRE 2026 Low-Light Image Enhancement Challenge 取得第一名的 LFM-LLIE，但更集中處理效率與單步推理。儲存庫要求 Python 3.11 或 3.12，以及具 CUDA 支援的 PyTorch 環境；README 提供 setup.sh 和依賴安裝方向，但目前提供的資料未足以確認預訓練權重、完整推理指令或 CPU 執行方案。研究團隊、影像增強開發者，以及需要在 GPU 資源受限環境處理夜景相片的團隊，可先按其環境要求建立測試環境，再核對模型權重和推理流程。
FrameForge 把 HunyuanVideo 1.5 的影片時間帶入影像生成，讓同一套模型處理主體生成、邊緣圖生圖和指令式編輯。
同一張參考圖可以用來保留主體、遵循 Canny 邊緣結構，或按照文字指令改變內容，但三種任務對「要保留多少、要改變多少」的要求並不相同。
FrameForge 是一個「給它一張參考圖，再用文字指示生成或修改圖片」的 AI 研究專案。它的特色是借用影片模型理解畫面變化的能力，來處理靜態圖片。
它用同一個模型處理三種工作：
| 功能 | 你提供什麼 | 可以做什麼 |
|---|---|---|
| 參考主體生成 | 一張人物、動物或物件的參考圖，加上文字描述 | 保留主體的辨識特徵，重新生成不同場景，例如把同一隻狗放到海灘上 |
| 邊緣圖轉圖片 | 一張 Canny 邊緣圖，也就是描出物件輪廓的線條圖，加上文字描述 | 依照既有輪廓、姿勢與構圖生成完整圖片 |
| 文字指令修圖 | 原始圖片，加上修改指令 | 改變動作、加入物件或轉換風格，例如「把貓的動作改成睡覺」，同時盡量保留其餘內容 |
這三種功能分別適合「保留是誰／是什麼」、「保留畫面結構」以及「修改指定內容」的需求；不是每次都從文字重新生一張毫無關聯的圖。
技術上有兩個重點：
– MoTE：動態選擇不同的虛擬時間間隔，對應不同程度的畫面變化。
– CoTR：加入一個潛在中間狀態，作為原圖轉換到目標圖的中間路徑。
官方已提供推論程式及模型下載方式，環境需要 Linux、Python 3.10 和支援 CUDA 的 GPU；公開流程以 512 × 512 輸入及輸出圖片、50 次去噪步驟運行，部分模型下載也需要先申請存取權。
注意「同一個模型整合三類圖片工作流程」，可作為評估自建圖像生成／編輯服務的 PoC 起點。官網目前提供的是研究結果與部署入口，不能直接視為已具備完整產品能力。
團隊在 GitHub 的改碼工作，將會由代理獨立處理並回覆成果。
DeepSeek Harness 透過 dsh-superagent 套件，讓團隊在 GitHub 交辦工作後，由編程代理獨立處理工作，再於原對話回覆。這個研究原型服務單一GitHub Repo，亦可選接 Feishu。
先留意：作者明確標示佢係研究原型，唔係正式 DeepSeek 產品，亦未達 production-ready；首次試用唔好直接駁客戶正式 repo。
dsh-superagent 能減少團隊打擾納入工作流程：只有獲授權者提出要求，或團隊規則允許，代理才會行動；需要人手介入或有可用成果才發言。
維護單一儲存庫的團隊可用它試驗代理協作，但設定涉及多個步驟；006 Deployment 文件涵蓋手動設定、升級及故障排查。開發檢查包括型別檢查、測試及建置，未提供量化效能結果。
由企劃、分集劇本一路寫到分鏡提示詞和發布文案，這套模板把 AI 漫劇製作拆成可逐步推進的工作流程。21 種題材可供選用，但測試覆蓋程度不一，生成內容仍需自行檢查。
由一句故事點子開始，創作者可以逐步整理出企劃、人物與世界設定、分集劇本、分鏡和影片提示詞，再準備封面及發布文案。ai-manju-skills 是一套 AI 漫劇創作模板，針對製作流程中不同階段的內容整理，提供 21 種題材的 SKILL.md，不需要安裝依賴。
流程分成五部分：企劃案、人物與場景等資產提示詞、分集劇本、分集導演手冊，以及發布包。預設規格為 30 集、每集約 4 分鐘和 9:16 直屏，亦可以在故事點子中指定其他設定；篇幅較長的輸出會分批生成，再用「繼續」推進。這讓創作者能逐段修改內容，而不是一次處理整部作品。
模板可貼到 DeepSeek 等聊天工具使用，也支援 Claude Code 和 WorkBuddy。聊天工具的做法是選定題材、貼上完整模板，待模板就緒後再提供故事點子；一部劇建議使用獨立對話，減少不同故事設定混在一起。Claude Code 則可把所需題材資料夾放入 ~/.claude/skills/；使用其他影片工具時，提示詞用 {{Mixed N}} 引用第 N 張參考圖，換工具時需改成相應寫法。
目前版本已在 WorkBuddy 測試；玄幻修仙版曾作實際使用測試，宮斗、宅斗、年代文、系統無限流、總裁甜寵、重生復仇和職場商戰完成安裝檢查或階段試跑，其餘題材尚未逐一測試。模板要求人物和設定保持原創，但生成內容的品質、版權和平台合規仍需創作者自行把關，懸疑刑偵與民俗怪談亦要留意平台規則及 AI 生成標示。
拍一段影片即可重建人體動作，再修正接觸點、套用角色並匯出動畫。
拍攝一段人物影片後，RGB MoCap 會重建人體動作，讓你在 3D 預覽中檢查身體網格與骨骼，再輸出可編輯的人體動畫。這個項目屬於本地運行的 Windows 動作捕捉工具，主要處理由普通影片取得角色動作、修正滑步，以及套用到不同角色格式的工作。
它不只追蹤身體，還提供腳掌和手掌接觸修正，接觸時間可以手動調整；動作可重新套用到 Mixamo FBX、VRM 和 PMX 人形角色，並輸出 FBX，亦可選擇是否連同網格一併匯出。多個 AI 模型的結果能分開保存，方便比較和重做。
安裝需要 Git for Windows、Blender、FFmpeg，以及 ExMR、FlowHMR、GVHMR 等模型運行環境；模型權重和註冊的人體檔案要在 Model Manager 另行準備，部分模型需要帳戶登記和手動下載。MAMMA 與 PromptHMR 屬於可選運行環境，另需 Visual Studio 2022 C++ Build Tools、Windows SDK 和 CUDA Toolkit 12.8；PEAR 則可用於 webcam 或影片中的單人即時身體及手指骨骼預覽。
提供安裝、更新、模型準備和恢復指引，也附有動作捕捉及角色重定向示例。適合視為可本地測試的製作工具，而不是已有完整性能保證的商用捕捉系統；動畫師、VRM／PMX 角色創作者，以及需要把影片動作帶入 Blender 的團隊會較容易受益。
以 OS accessibility tree 取代像素定位，讓 AI 代理操作桌面應用程式並逐步核對結果。
要讓 AI 代理操作桌面應用程式，agent-desktop 讀取 OS accessibility tree，以 ref 指向按鈕、輸入框等元素，再用 JSON snapshot 核對結果。這個跨 macOS、Windows、Linux 的 CLI 與 C library 不靠 pixel matching，將控制循環留在 agent。
可透過 npm 安裝並先確認 version；macOS 要 Accessibility permission，Linux 要 graphical session 及 at-spi2-core，Windows 受終端機 integrity level 限制。macOS command host 保留 native accessibility objects，減低舊 identifier 誤連到已移除元素的風險。
項目更像桌面操作底層而非完整代理，是否適合取決於目標程式的 accessibility 支援、權限和資料處理方式。
沿路徑移動照片主體，或為影片局部加上遮罩再重新生成；h3-motion 透過自架 ComfyUI 串連影像理解與動畫模型。
想沿路徑移動照片主體，或只重做影片局部，h3-motion 把兩種編輯流程整合在獨立 React app，透過 Comfy SDK 操作自架 ComfyUI。流程只用開放權重模型，不依賴 Comfy Router、合作夥伴節點或封閉 API。
照片流程以 SAM 3.1 選取主體，並可用點擊修整遮罩；Qwen3-VL 描述主體，Qwen Image 2.1 清除主體並補回背景。使用者設定路徑、大小或翻轉後，由 MiniMax H3 透過 Time-to-Move 生成動畫與聲音。
影片可用矩形或橢圓標出範圍，設定 keyframe 路徑或讓遮罩跟隨物件，並加入描述及可選參考圖。H3 重生成遮罩區域後，由 app 合成回原片；原有聲音可保留、參照或替換。
需要 NVIDIA 或 AMD GPU、近期 ComfyUI、ComfyUI-vlo 0.3.0 或更新版本，以及 Node.js 22.12 或更新版本；原生 Windows 尚未測試。文件未提供速度或畫質評測，較適合熟悉 ComfyUI、需要精細編輯影像局部的創作者。