StreamingSwap 把影片換臉推向 20 FPS 即時串流

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

StreamingSwap 針對長片換臉的身份穩定與速度取捨，透過較短上下文支援單卡即時處理。

長時間影片換臉最難維持的不是單幀效果，而是身份一致、原有動作和畫面細節能否一路穩定。StreamingSwap 是一個參考圖像引導的影片換臉模型框架，處理把來源身份轉移到目標影片、同時保留目標人物屬性與動態的問題。

它分兩個階段改善速度與穩定性。Face-RoI Generation 只集中處理臉部區域，配合按噪聲程度調整身份與重建比重的 Joint Rec-ID Loss；其後以 Short-Context Rollout Training 使用模型生成的歷史畫面，減少串流生成中的誤差累積。這套方法針對換臉只改變身份、其他視覺內容大致不變的特性，補足單靠 flow-matching supervision 對身份差異不夠敏感的問題。

提供的結果包括：
– 單張 NVIDIA RTX 4090 達到 21.174 FPS 的端到端吞吐量
– 評估影片最長達 10 分鐘，並展示 19 分鐘、20 FPS 取樣的直播串流測試
– HumanFaceVid 包含 1,000 小時電影風格訓練資料，以及各 200 段短片和長片評估集
– 研究結果在身份轉移和視覺質素之間取得具競爭力的平衡，但資料建構程式和訓練資料仍標示為準備中

電影後期、直播特效和長片角色替換等情境，較能受惠於這種空間與時間上下文都較節省的做法；單卡 RTX 4090 的測試結果亦令即時串流更接近可行範圍。項目提供的是研究模型與展示資料，原始資訊未交代完整安裝指令、未有直接下載的模型權重或訓練資料，因此不宜當成已可隨意下載使用的成品。

項目主頁 · GitHub

Categories: 開源, AI productions, 模型, 模型訓練, NVIDIA, Video, Image, 框架, Dataset 數據集

---

SWIFT 把擴散模型的訓練誤差轉成性能優勢

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

有限訓練令擴散模型偏離理想預測，SWIFT 從較弱模型找出偏差方向，再把訓練目標推向更準確的位置。ImageNet-256 上，它在不改採樣器的情況下取得具競爭力的 FID。

擴散模型訓練時間有限，預測結果往往未能到達理想的後驗平均值；SWIFT（Self-guided Weak-to-strong dIFfusion models via Target extrapolation）利用這種可預測的偏差，改善模型生成影像的能力。它適合關注影像生成品質、又希望保留原有推理流程的研究者與模型開發者。

SWIFT 先使用一個凍結的弱模型，估計目前模型會在哪個方向偏離理想預測，再把訓練目標沿相反方向外推。訓練時改變的只有預測目標，損失函數、權重、網絡架構及採樣器都維持不變；使用時無須更換原有採樣器。

在 ImageNet-256 評測中，SWIFT 不使用 guidance 時的 FID 為 1.15，使用 guidance 時為 0.99。研究亦在配對的 DINOv2-B 設定下比較訓練進度，SWIFT 在訓練過程中持續領先基準模型。

• 以凍結的弱去噪模型估計訓練偏差方向。
• 將乾淨樣本與弱模型預測之間的差距用來外推回歸目標。
• 保留原有模型架構、損失設定及採樣器。
• ImageNet-256 的 FID 為 1.15（無 guidance）及 0.99（有 guidance）。

這種方法針對的是有限訓練預算下的模型誤差，並非更改生成時的採樣流程。現有內容未提供完整安裝或使用步驟，採用 SWIFT 前仍需查閱論文及相關資源確認實作細節。

項目主頁

Categories: 南京大學, 阿里巴巴, 模型, 模型訓練, Image

---

SolarRenderer：Minimax H3 四步完成影片

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

SolarRenderer 將遊戲引擎或智能體輸出的結構訊號，於 MiniMax-H3 上以四步推理生成風格統一的影片，並以區塊串流方式即時輸出畫面。

過往要做「結構可控」的影片生成，往往要為每種輸入（灰盒、語義圖、骨骼、深度）各自訓練一支分支模型。SolarRenderer 試圖打破這個分工限制：它以兩組 LoRA 在 MiniMax-H3 上做 post-training，無需 condition-type label，純粹由 prompt 描述結構本身，再交由模型自行解讀。同一段結構影片，配合首幀與文字描述，可以分別輸出寫實、動漫、像素或水墨等風格。

更直接的價值在於速度與即時性。對比 50 步取樣，SolarRenderer 的四步推理聲稱快 12.3 倍，並在影像質素與結構保真度上同時達標。配合兩組 LoRA 的 block-causal 版本，影片可以逐區塊即時生成，每完成一塊便即時輸出，等候延遲約 0.7 秒出一個 17 幀區塊，整體滯後約 1.1 秒。對 agent 互動或即時預覽這類工作流，這個差距幾關鍵。

訓練資料與評估同為開放：weights、訓練資料，以及涵蓋 208 個高難度案例、53 段 held-out 影片的 benchmark 套件，連同評分代碼、輸出結果與裁判評語一併釋出。項目建基於 SolarWM 框架，並非隨意下載的開源玩具，但對從事可控影片生成、世界模型或 agent 影片預覽的研究者與團隊而言，是一個值得排入評估名單的選項。

項目主頁 · GitHub · 模型

Categories: 開源, Agentic, AI productions, 模型, 世界模型, 模型訓練, Video, Image, 框架, Dataset 數據集, MiniMax, LoRA

---

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

---

Deepseek Recipe 幫本地推論後端連接多格式 API

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

在本地跑 DeepSeek 模型、想同時提供 Messages、Chat Completions 與 Responses 三種 API 格式？這個 Rust + Python 工具庫把格式轉換、prompt 渲染與 token 編碼一條龍包辦。

對想自建 DeepSeek 推論服務嘅開發者來說，最頭痛往往唔係模型本身，而係點樣令自家後端兼容外界各種 API 格式。deepseek-recipe 就係針對呢個痛點而來——它用 Rust 寫核心邏輯，再提供 Python bindings，專門負責將 Messages、Chat Completions 同 Responses 三種主流請求格式統一轉換成 DeepSeek 內部嘅 Conversation 結構，再渲染成模型識讀嘅 prompt，最後用附帶嘅 tokenizer 編碼成 token ID。

呢個庫定位相當清晰：佢只處理格式轉換同 prompt 拼裝，模型推論、工具執行、HTTP 傳輸呢啲都交返俾呼叫方自己負責。換句話講，開發者可以揀任何推論引擎，再喺外面搭一層 recipe 做「翻譯員」，咁就可以用同一個後端撐起多個對外 API 端點。對於正在從 Ollama、vLLM 或自家 CUDA 服務過渡到 DeepSeek 模型嘅團隊嚟講，等於慳咗大量重複開發。

它對 DeepSeek V4 同 V4.1 有針對性處理：V4.1 支援圖像（會用 OpenCV 預處理），V4 則會把圖片替換成 [Unsupported Image] 字串，避免下游出錯。Thinking mode 方面亦照顧周到，無設定時自動補 8192 tokens，開啟 thinking 預設 65536，開到 max effort 就去到 131072。Structured output 同樣齊全，Chat Completions 嘅 json_schema、regex，以至 Responses 嘅 text.format 都做咗驗證同轉寫，並會喺 InferenceOptions 揀選對應嘅 OutputConstraint，畀呼叫方決定要唔要開 constrained decoding。

工具支援亦係重點之一。Function tools 全部覆蓋，V4.1 仲額外支援 Messages 嘅 deferred tool loading 同 Responses 嘅 client-executed tool search，對做 agent 框架嘅人特別有用。串流方面，token usage 會回報 reasoning_tokens，logprobs 喺 Responses 格式下亦會被轉成 InferenceOptions。不過要留意，圖片抓取組件 ReqwestImageFetcher 預設連任何地址都得，如果服務面向不可信來源，記得裝返 DestinationFilter。

GitHub

Categories: 開源, Agentic, 模型, NVIDIA, DeepSeek, API, Image, 框架, 工具, Ollama, Python, 庫, Tokenize

---

Muse-CharacterSheet-H3：MiniMax H3 角色表工作流

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

生成多角度、背景移除及排版一次完成，減少 ComfyUI 製作角色設定表的繁瑣步驟。

將五個角度的生成結果自動拼成一張角色設定表，Muse Character Sheet H3 這個 ComfyUI 工具組把 MiniMax H3 的多視角生成、文字儲存、影像轉換及背景處理連成一套工作流。對遊戲美術、角色設計與虛擬內容製作團隊而言，它省去逐格裁切、調整比例及手工排版，但仍需自行準備模型權重與合適的 ComfyUI 環境。

• 提供 Standard 與 Enhanced 兩套工作流。
• CHUNK/CUT 介面會把姿勢描述編譯成 H3 六段式 Reference-mode 提示格式。
• Muse Character Sheet Compositor 可把 Close-up、Front、Left Profile、Right Profile、Back 五格自動並排。
• Windows 安裝包已整合三個 Muse 工具節點，不需另下載獨立 utility ZIP。

Enhanced 版本在 H3 生成後加入 Qwen image refinement 與 DLSS enhancement；Standard 則以背景移除及選取畫面組成設定表，不依賴 DLSS，適合較簡單或未配置相關環境的流程。標準流程不再要求 WAS Node Suite 或原有 ComfyUI-RMBG 套件，但若其他工作流仍使用，就不應直接刪除。

背景移除輸出 IMAGE、MASK 與 MASK IMAGE；模型權重則另有使用條款。組合設定表支援 16:9、4:3、1:1、3:2 及 21:9，工具會按比例處理裁切，Close-up 佔完整寬度，其餘四個角度排列在側。

Windows 測試可下載完整 ZIP，將資料夾放入 custom_nodes，再執行 Install-Windows.bat；Git 必須在 PATH，模型則按清單另行下載。從前安裝過獨立工具資料夾的環境，應把備份移出 custom_nodes，避免同一節點重複註冊；安裝器不會自動刪除舊資料夾。

GitHub

Categories: 開源, ComfyUI, 模型, Qwen, Image, 工具, MiniMax

---

ScaleNav 把影片變成導航能力

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

ScaleNav 先從互聯網第一視角影片學習路徑規律，再轉成機器人動作，面對語言指定目標的局部導航。

網上第一視角影片 seldom 附帶機器人動作，但當中蘊藏大量「沿走廊前進、避開障礙、轉入目標房間」的視覺規律。ScaleNav 是一個研究型導航模型，試圖把這些 action-free 預訓練所得到的 navigation priors，轉移到有動作標籤的模擬軌跡，再用於 language-conditioned local navigation：按文字尋找初始畫面可見的目標並停下來。

模型屬共享式 Diffusion Transformer，會根據指令、目前 RGB 影像及記憶，共同預測未來 video latents 和 action chunks。流程分三階段：先從互聯網第一視角影片學習目標導向視覺動態，再進行 action alignment，最後 joint fine-tuning，同時保留影片回放並微調共享骨干與輸出頭。

ScaleNav 與同類做法的主要取捨，是毋須先收集大量完整機器人示範，便能借助互聯網影片建立導航先驗；代價是仍要依賴模擬軌跡、動作對齊及多階段訓練。官方模型約 10.02 GB，推論及評估建議使用支援 BF16 的 NVIDIA GPU、24 GB GPU 記憶體與 64 GB 系統記憶體，並按文件配置 Linux、Habitat-GS 和場景轉換工具。

結果涵蓋 HabitatGS-LN、Short-Horizon OVON 與真實四足機械人；公開資料列出 ScaleNav 在兩項模擬評估的成功率分別為 94.9% 及 86.5%，真實機械人則在 60 次試驗中錄得 83.3% 成功率。團隊亦整理 gallery 導航影片、軌跡、目標與結果，以及 summary.json 內的 SR、SPL 和逐任務成績，方便比較與重現。

• 影片預訓練不必附帶逐格動作標籤
• 同一模型處理影片動態與動作生成
• 支援模擬環境及真實四足機械人
• 提供模型、資料、評估結果與操作文件

這套方法較適合研究 embodied navigation、 robotics 與 VLA（Vision-Language-Action）的團隊；評估數字雖亮眼，仍須留意各方法採用不同設定，跨模型比較應同時核對 episode 數、場景及 fine-tuning 條件。

項目主頁 · GitHub · 模型

Categories: 開源, AI productions, 模型, 視覺模型, 多模態模型, 模型訓練, NVIDIA, Video, Image, VLA, Robotic, 工具, Linux

---

MT-Forcing：多輪改圖守住細節唔再走樣

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

連續改同一張圖時，主體、紋理與構圖往往會慢慢偏離；MT Forcing 以多輪訓練與教師引導改善這類累積錯誤。

連續要求「改杯色、加條紋、再調光線」時，圖片往往未到最後一輪已經失真。MT Forcing 是針對多輪圖像編輯的訓練框架，配合自迴歸擴散模型，減少每輪修改帶來的漂移。

方法把單輪 DMD（Distribution Matching Distillation）與 Teacher-Forcing Guidance 結合：學生模型逐步編輯自己生成的歷史，凍結的單輪教師則從原圖一次套用累積指示，提供分布層面的引導。參考真實編輯軌跡後，模型既要改善畫質，也要維持跨輪次內容關係。

• 以自身多輪輸出作為訓練歷史
• 引入單輪 DMD 改善視覺品質
• 用 Teacher-Forcing Guidance 減少誤差累積
• 展示最長十五輪及八輪編輯比較

官方程式碼要求 Python 3.11.13、NVIDIA CUDA GPU，以及指定 checkpoint、架構資源和擴充 U1.5 tokenizer；配置完成後，可在同一工作階段依序執行多個編輯提示。公開資料未交代完整硬件門檻、推理速度或標準化定量結果，因此較適合作為需要 NVIDIA GPU 的研究重現工具，而非直接比較成本已知的消費級服務。

它以 SenseNova-U1.5 作為相關基礎模型，並在多輪比較中加入 MT Forcing。對需要逐步修訂產品 concept、人物姿勢或場景細節的設計團隊，單輪教師可作品質參照。

項目主頁 · GitHub · 模型

Categories: 開源, 香港科技大學, 清華大學, 模型, 模型訓練, NVIDIA, Image, 影像模型, 框架, 工具, Python, Tokenize

---

Xiaomi-Lens-0 讓 4B 視覺模型標註出答案

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

這個 4B 多模態模型把文字回答與像素級定位放在同一套推理中，適合需要理解物件、指出位置及分割影像的場景。

要讓模型回答「紅色杯子在哪裡」之餘，同時準確框出甚至分割杯子，傳統多模態模型往往要串接多個模型。Xiaomi-Lens-0 試圖把這兩步合而為一：它以 Qwen3.5-4B 為基礎，在生成文字的過程中解讀 <|mask|> token，再由輕量解碼器輸出對應區域，令文字答案與視覺定位可以同步產生。

這個 4B 多模態模型主要處理 Referring Expression Comprehension、Referring Expression Segmentation、多實例定位、Reasoning Segmentation、具身指令指代及細緻感知等六類任務。它既能以邊界框指出物件，亦能輸出像素遮罩，適合影像標註、搜尋、選取區域及具身操作前的人工檢查。

• 以 4B 規模結合文字回答、邊界框與像素級遮罩
• 支援六類定位及視覺推理場景
• 可在 Hugging Face Spaces 試用，亦公開模型權重與 LensBench
• 提供每個遮罩獨立輸出及熱力圖等推理設定

模型在八個 RefCOCO 系列分割上的平均 referring comprehension 提升 5.6 分，並在八個細粒度感知測試中取得較高分數；項目頁另列出 RefCOCO 驗證集 Prec@0.5 為 94.6。LensBench 包含 4,800 個 instruction-level 樣本，涵蓋 1,200 個配對單位及四個領域。

代價是輸出遮罩需要額外視覺解碼，而模型規模仍屬輕量，複雜推理和高解析影像表現應按測試結果判斷。研究團隊已提供線上示範、模型權重及程式碼，適合想試驗視覺 grounding 的模型開發者、影像工具團隊和具身智能研究人員。

項目主頁 · GitHub · 模型

Categories: 開源, 模型, 多模態模型, Qwen, Image, 影像處理, 工具, 小米-Xiaomi

---

MOSS-Image 支援 JSON 排版的 5B 文字生圖模型

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

MOSS-Image 推出的 5B 參數文字生圖模型，能夠直接在 prompt 內用 JSON 描述物件位置、標籤與邊界框，毋須額外 ControlNet 也能控制版面。

用文字生圖最常遇到的卡位，是 prompt 寫得再精準，模型依然把主體放錯位置或把文字渲染得歪七扭八。OpenMOSS 開源的 MOSS-Image 把這個矛盾寫進模型架構本身：除了自然語言 prompt，它同時接受結構化 JSON 輸入，裏面可以逐個列出物件的標籤、描述與 yxyx 格式邊界框，由模型原生處理版面配置，毋須借助外掛 ControlNet 或額外 inpainting 步驟。

對於做海報、漫畫分鏡或產品 mockup 的人來說，這種介面比「再抽幾次卡」來得直接。生成結果可以直接根據 JSON 編輯調整單一物件的位置或文字內容，方便反覆迭代。模型骨幹約 5B 參數，支援長達 4K token 的 prompt，文字渲染能力亦比同類開源模型紮實，並同時覆蓋動漫與寫實風格。

New top local AI image generator is here!

現階段提供 Base 與 SFT（curated-data 微調）兩個版本，權重以 Apache-2.0 釋出，部署上已有 SGLang、vLLM-Omni 與 ComfyUI 的 day-0 支援，配合 Python 及 Gradio 共用的 Diffusers pipeline，本地或雲端皆可即時跑起 demo。

重點摘要：

• 原生版面控制：JSON prompt 直接描述物件、位置與邊界框，毋須外掛 ControlNet。
• 5B 緊湊骨幹：兼顧生成效率與微調彈性，prompt 可長達 4K token。
• 雙版本開源：Base 與 SFT 權重皆公開，Apache-2.0 授權。
• 多元框架支援：SGLang、vLLM-Omni、ComfyUI 同日適配，並提供 Hugging Face Spaces 線上 demo。
• 風格覆蓋廣：動漫與寫實風格並重，文字渲染品質為主打賣點之一。

項目主頁 · GitHub · 模型

Categories: 開源, ComfyUI, 模型, NVIDIA, Image, 框架, Python, 蘋果

---