rea-video:逐鏡反推還原影片製作路線

將影片拆成拍攝、生成與程式動效等不同做法。rea-video 逐鏡整理畫面、剪接和聲音,輸出可供人閱讀或交給 AI agent 使用的製作方案。

rea-video

一條影片可能混合實拍、AI 畫面、程式驅動的動畫和螢幕錄影,這些製作方法卻各不盡相同。rea-video 是一個強大的影片分析工具,會逐鏡判斷素材類型,再整理重製所需的拍攝、生成或編碼工作;它只提供完整方案,不會直接生成成片。

安裝十分簡單,你只要把本地影片交給能執行命令的 AI agent,例如 Claude Code 或 Codex 輸入 「安裝 https://github.com/JuneYaooo/rea-video,然後拆解這個影片」 ,agent 便可運行分析流程。執行環境需要 ffmpeg 和 Python 3.10+;目前文件沒有列出硬件需求、模型規模或 CLI 版本。分析結果有兩種形式:report.html 或 PDF 方便閱讀,VIDEO.md 則按層整理,讓 AI 只讀取回答問題所需的內容。

它不止能辨認實拍與 AI 生成,也包括 Avatar、3D/動畫、程式模板、螢幕錄影,以及混合剪輯。每個鏡頭會放回原有時間線理解,並可記錄字幕出現時間與樣式、貼圖位置、畫中畫、剪接節奏、音樂和音效落點。若畫面由程式動效構成,結果可整理成 Remotion 項目;字幕則可匯出為 SRT 或 ASS。

這種逐鏡拆解,對想參考短片製作自家廣告的內容團隊尤其實用:先看哪些畫面需要自行拍攝,哪些可用生成模型處理,哪些其實用程式重建更合適。以一段 70 s、12 個鏡頭的產品宣傳片為例,83% 是程式動效,12% 是螢幕錄影;案例認為整片可用一個 Remotion 項目製作,不必依賴影片模型。這個例子說明,拆解結果可能把製作方向由生成畫面轉向程式編排,但不代表所有宣傳片都適用同一做法。

若要分析實拍、AI 與 3D 畫面的來源,離線工具可先提供判斷,再由 agent 複核有疑問的鏡頭。接駁 Gemini 或 Doubao 等支援影片的模型後,live/AI/3D 判斷會更準確,並能替每個鏡頭加入反推提示詞;不接模型也能運作。燈光分析涵蓋 12 種布置,並可附器材清單,方便把觀察結果轉成拍攝準備。

  • 實拍素材偵測率為 97–99%。
  • 9 段人工標註片段的鏡頭邊界召回率為 95%,精確率為 94%。
  • 按鏡頭時長加權的來源判斷,Tuning set 有 15 個樣本,離線工具結果為 98.3%。
  • Holdout 有 16 個樣本,離線結果列為 99.6%/98.9%;接駁 Gemini 後為 99.6%/99.8%。
  • 10 個重新編碼的 WeChat 影片,離線結果為 88.6%;接駁 Gemini 後為 99.6%,再由 agent 視覺複核則為 100%。
rea-video, 复刻视频神器,8.8k star,解读+实测

這些數字不能直接套用到所有影片。平台重新壓縮會抹去雜訊等判斷線索,令離線工具在 WeChat 影片上明顯吃虧;視覺複核有助恢復準確度,但也表示結果仍需要人或模型檢查。項目提供 eval/RESULTS.md 重現評估;示例影片經重新壓縮後亦可能失去 TikTok/Douyin 平台標籤,因此自行重跑的結果可能與原報告不同。

分析只能從成片線索推斷製作方式,不能保證還原原作者的實際流程。對創作者、影片製作團隊和需要整理拍攝素材的行銷人員來說,它適合用來估算各鏡頭的製作路線與所需素材;最終拍攝、生成和剪輯仍要在其他工具中完成。

項目主頁 · GitHub

Categories: 開源, 字節跳動, Agentic, AI productions, 模型, Gemini, Video, Audio, 提示詞, 工具, Content Creator, 3D, Python, Anthropic, 動畫, 音樂

WVY-Blender-5m:把文字變成可編輯的動畫場景

只用 525 萬參數,把文字要求接駁至 Blender 建場景;能力邊界取決於預設物件與動作。

Og image

輸入「機械人在滑板上跳舞」,WVY-Blender-5m 便可預測場景指令,再由配套 Blender builder 建立可編輯的三維動畫。這款小型語言模型由 Starpower 從零訓練,並非基於其他 base model 微調;它將文字理解與場景製作分工,讓使用者保留物件、材質、鏡頭及動畫關鍵影格,繼續在 Blender 修改。

模型負責選擇場景指令的 token,解譯器執行指令,程序化程式則提供幾何形狀與動畫。例如「把狗改成藍色」會轉成指定物件及顏色的編輯操作;Blender 問答則導向 119 個預先撰寫的知識主題。成品能力因此同時依賴模型與建構程式,不能單憑示範影片推斷模型能自由創作任何物件。

  • 支援 126 類角色與物件、29 種動作及 24 種場景設定,亦可處理天氣、光線與鏡頭運動。
  • 後續指令可改顏色、加入或移除物件,以及調整取景,適合反覆修改場景。
  • 目前生成風格化程序場景,不支援圖片輸入、任意新網格生成或數值旋轉指令。
  • 模型有 525 萬參數,checkpoint 約 21 MB;小檔案體積不等於 Blender 渲染只需同等記憶體。

訓練資料是英文提示與精簡場景指令的配對,共有 111.2 萬組:54 萬組建場景、25.2 萬組編輯,以及 32 萬組問答路由。初次訓練使用 90 萬組資料,記錄 12,000 次更新;擴充資料後再訓練 4,500 次,每批 96 組,但不能據此認定每筆資料均被讀取。圖片、影片與網格屬系統輸出,並非視覺訓練輸入。

示範片段每段 5 秒、每秒 12 格,屬經挑選的例子,並不保證重現所有要求;demo_manifest.json 收錄提示、解碼後場景規格及 checkpoint 雜湊值,可供核對。較合理的試用方向是詞彙範圍內的動畫草稿與場景編輯,並逐項檢查物件關係及動作是否符合指令。

模型

Categories: AI productions, 模型, 模型訓練, Video, Image, Robotic, 3D, LLaMa, Ollama, Python, 動畫

music-skill:MIDI 音樂生成可編輯樂譜

music-skill 會實際寫出和弦、聲部與編曲,並能檢查和修正。不靠音訊生成模型,而是由 Agent 寫作音符,再經取樣樂器播放、混音及母帶處理,輸出可修改的 MIDI 與分軌。

music-skill

music-skill 是一套 Agent Skill,把「生成一段音樂」改成較接近作曲與小型錄音室的工作:Agent 逐個寫出音符,檢查樂譜,再以取樣樂器播放,經過混音和母帶處理輸出成品。它不直接生成聲音,也不涵蓋歌唱或歌詞;核心產物包括 MP3、WAV、MIDI、各聲部 stem,以及可以改音符後再次渲染的項目檔案。

Agent 可以調整「某個和弦的 voicing(和弦聲位)」,表示它不是只填一組和弦名稱,而是會安排實際音符。所以,你可以要求它例如:「用 C 大調寫一段 I–vi–IV–V 的進行,鋼琴右手彈分解和弦、左手低音,弦樂做 pad,並避免平行五度」,它將會完成對應的檢查與修改機制。

它具備基本的和聲與聲部寫作檢查:

  • Review 會標出聲部之間持續的小二度與九度不協和音程。
  • 它會辨識和弦外音,並區分經過音、掛留音及其他裝飾音;若某個和弦外音沒有以級進解決,也會提出來。
  • 它會檢查獨立聲部之間的平行五度、平行八度,以及過低音域的緊密音程

使用時需要先把 Agent Skill 安裝到支援該技能的環境,再依賴 Surge XT 播放樂器。渲染器可透過 --jobs 控制同時處理的聲部數;合成器或效果器聲部較多時,每個同時渲染的聲部可能佔用約 2 GB 記憶體,記憶體不足便會自動減少並行數量。

这套方法較適合配樂原型、影片音樂初稿,以及需要保留可編輯樂譜的製作流程。項目文件展示六種模型的一次性作品,但沒有提供標準化比較結果;質素評估因此仍要配合實際聆聽,而不能只看輸出格式。

GitHub

Categories: 開源, Agentic, AI productions, 模型, Video, Audio, 提示詞, 音樂, Skill 技能

PhysLoop:讓影片生成模型自行修正物理錯誤

PhysLoop 以大型語言模型的物理認知驅動影片生成與修復,嘗試減少碰撞、堆疊和物件互動中的不合理畫面。

WeChat contact QR code

PhysLoop 是一套結合大型語言模型(Large Language Model,LLM)與物理模擬的影片生成研究框架,專門處理生成影片中物件碰撞、掉落、堆疊及互動失真的問題。它把影片規劃、執行、驗證與修訂串成閉環,讓模型不是一次生成便交差,而是按物理規律反覆檢查結果。

  • 以 LLM 的物理知識規劃生成、驗證及修訂流程
  • 支援文字轉影片與圖片轉影片案例
  • 涵蓋撞球、多米諾、衣物擺動及連鎖反應等場景
  • 計劃發布 PhysLoop-Gen、PhysLoop-Repair 評測資料集與 PhysLoop-100K 訓練資料

與只靠擴大影片生成模型參數的做法相比,PhysLoop 把改進焦點放在生成後的物理驗證與局部修正,取捨是需要額外模擬、規劃及檢查成本。其公開案例涵蓋台球入袋、網籃接球、磁鐵移除金屬底座、吊飾倒下等互動,可從多個角度比較結果,但項目文件未提供完整評測數據或重現套件,因此目前較適合理解為研究原型,而不是已可直接安裝使用的成熟產品。

儲存庫已整理環境、案例規格、執行與重播方式,以及測試和資料集說明;不過程式碼仍待公司政策審批,PhysLoop-Gen、PhysLoop-Repair 評測資料集和 PhysLoop-100K 訓練資料亦未完成發布。現階段可先閱讀論文與公開示範,之後再按工程文件設定 Unreal Engine 環境並執行案例。

研究團隊、影片生成模型開發者,以及需要處理物理互動內容的動畫與廣告製作團隊,可從中取得方法與資料規劃的參考;開發者則要預留模擬器整合、案例調試及模型訓練資源。

項目主頁 · GitHub

Categories: 開源, 北京大學, 字節跳動, AI productions, 模型, 模型訓練, Video, Image, 框架, 庫, 動畫, Dataset 數據集

Duo:讓模型在對話中即時插嘴及回應

Duo v1 是螞蟻集團(Ant Research)開 Apache 2.0 授權的全雙工互動世界模型,主分支提供離線研究流程,vLLM-Omni 與 SGLang-Omni 分支則走向線上即時串流。

Duo

先聽你說一半被打斷,然後繼續講——這種像真人對話的互動,一直是擴散模型(diffusion model)難以處理的部分。Duo v1 由 inclusionAI 團隊推出,是一個 Reciprocal World Model(互惠世界模型),把「智能」與「物理現實」放在同一個世界裡看待:一邊持續感知影音輸入,一邊即時回應,讓 spontaneous conversation(自發對話)與插話打斷自然發生。

這是一個模型加推論管線的開源項目,Apache 2.0 授權。跟純文字對話模型最大的不同,是它把「決定要不要參與」與「決定要說什麼、發出什麼聲音」拆成兩個模組,交錯在同一條時間線上運作,因此不需要等使用者講完才回話。

要做到這一點,技術上用了三招:

  • 自迴歸建模處理持續互動的推理與參與決策,而不是把生成限制在指令理解
  • 分塊條件與跨塊 token 同步,加上模組專屬的 attention mask,確保因果依賴關係,讀不到未來的輸入
  • 雙重 rollout 蒸餾,用自迴歸生成的 Intent token 與合成的影音歷史訓練,緩解兩個模組之間的 distribution shift

模型權重在 Hugging Face 公開:Duo-1.0 causal base、distill、quantized,以及 Duo-1.2 causal base,同時附上離線推論程式碼給研究用。想線上部署的話,vLLM-Omni 與 SGLang-Omni 兩條分支提供加速的即時串流流程,vLLM-Omni 是官方推薦的那條。

硬體門檻不低:參考離線配置需要兩張 CUDA GPU,一張給 Intent 與 codecs、另一張給 Realization,另有記憶體要求;離線環境還要把模型與語音環境分開,因為 qwen-asr 綁定了特定版本的 Transformers。

要留意的是,這仍是 preview 版本,目前只支援基本影音對話,官方表示新版會陸續推出。適合關注實時語音互動、數碼人(digital human)、陪伴式 agent 的團隊,以及做世界模型、串流推論與語音多模態研究的實驗室。

項目主頁 · GitHub · 模型

Categories: 開源, Agentic, 數字人, 模型, 多模態模型, 世界模型, 模型訓練, Qwen, NVIDIA, Video, Audio, 語音, Dataset 數據集

PAN 2:讓代理先預演行動再決定下一步

PAN 2 可把圖片、文字與行動指令轉成最長 20 秒的影片,協助代理比較不同方案可能帶來的結果。

PAN 2

PAN 2 把「如果採取這個行動,會發生甚麼」變成可觀看的影片。這個由 MBZUAI 基礎模型研究所(Institute of Foundation Models,IFM)開發的世界模型(world model),會接收現有畫面、可選文字描述及以文字表達的行動,模擬最多 20 秒的變化,方便代理(agent)先比較不同選擇再採取行動。

它的設計取捨在於把語意與視覺分工處理。大型語言模型(large language model,LLM)負責理解情境、列出事件時序與鏡頭運動,再由 latent diffusion model 把結構化描述轉成影片;當中的 29B 參數 MMDiT(Multimodal Diffusion Transformer)負責細節生成。這種安排不是單靠影片模型猜測物理與因果,而是先建立可檢查的行動與時間關係。

目前模型可透過 Hugging Face、Diffusers 與 vLLM 使用,亦有本地部署文件,毋須自行拼接推理流程。不過 29B 參數版本對 GPU 記憶體和運算資源要求不低,影片生成速度亦會限制逐個方案試算的實務節奏。

PAN 2 採用的 Generative Latent Prediction(GLP)架構,源自《Critique of World Models》研究;模型資料頁亦涵蓋多步計劃、人手評估、安全護欄與已知訓練限制。

  • 輸入可包含圖片、文字及文字行動描述
  • 模擬影片長度可達 20 秒
  • LLM 負責概念推理,latent diffusion model 負責視覺生成
  • 29B 參數模型提供公開權重與部署路徑

研究團隊、影片生成開發者,以及需要預先推演操作後果的 robotic(機器人)與 Agentic 系統團隊,都可把 PAN 2 當作方案評估工具。

GitHub · 模型

Categories: 開源, Agentic, AI productions, 模型, 多模態模型, 世界模型, 模型訓練, Google, NVIDIA, Video, Image, Robotic, 工具, 安全, 蘋果

OpenFilm:讓編碼代理直接製作可編輯影片

OpenFilm 把影片變成網頁時間線,讓 Codex、Claude Code 等代理先製作,再由人在瀏覽器編輯器中修改。

OpenFilm

一部片由代理生成,之後仍要逐項執剪、改字、調音量,往往是 AI 影片工作流最難銜接的一步。OpenFilm 是一套開源 AI 影片工具與框架,將生成、檢查和後製放進同一個瀏覽器工作環境,並讓影片保留為可繼續編輯的網頁項目。

OpenFilm 透過現代化技術棧與開源精神,為影視團隊帶來了以下核心價值:

  • 全方位的專案生命週期管理: 從專案立項、任務分配、進度追蹤到資產歸檔,OpenFilm 提供了一站式的管理介面,讓製片人、導演與技術人員能在同一個資訊源(Single Source of Truth)上高效運作。
  • 無縫的影音資產協同: 支援高效的媒體預覽、線上審片與時間軸標記回饋,讓團隊成員與客戶可以直接在影格(Frame)上進行精準溝通,告別模糊不清的文字描述。
  • 資料自主與開源自由(Open Source & Self-Hostable): 採用開源授權,團隊可以完全掌控自己的核心智慧財產權與高畫質素材資料,不必擔心雲端服務商的隱私侵犯或無預警的訂閱費調漲。

它為每個鏡頭成為一個 frame(t) ,按時間繪畫畫面;影片、圖片、聲音和文字則放在 film.html 的時間線上。代理可運用 HTML、CSS、Canvas、SVG、WebGL、Three.js、GSAP 及現有影片上面建立內容。

  • 一個 HTML 檔案整合動畫、片段、圖片和聲音,CSS 負責樣式與版面。
  • 一個 frame(t) 函式負責每個鏡頭,以支援亂序及並行算圖。
  • Studio 在瀏覽器提供時間線剪輯,可移動、縮放、旋轉物件,亦可裁剪片段、修改文字、色彩、字幕、速度和音量。
  • Canvas 協助整理分鏡、素材、旁白與音樂,再按次序送入時間線。
  • 匯出涵蓋 MP4、GIF、聲音、字幕、靜態圖、透明影片,以及 Final Cut Pro、Premiere Pro 和 DaVinci Resolve 時間線。

透過編碼代理使用內建 CLI 開啟 Studio、檢查畫面和輸出影片。環境需要 Node.js、ffmpeg 與 Git,首次執行會下載約 100MB 的 headless Chromium;macOS、Windows 和 Linux 桌面版已包括 ffmpeg 與瀏覽器。生成語音、音樂、圖片和影片時,可在 Studio 連接 ElevenLabs、OpenAI、Google、OpenRouter 及 fal,並使用自己的 API key。

適合需要快速製作產品示範、社交媒體短片、動態簡報或教學片段,並希望保留人手修改能力的開發者、內容團隊與代理工作流研究者。

GitHub

Categories: 開源, AI productions, 模型, Google, OpenAI, API, Video, Image, Audio, 框架, 教學, 軟件, 工具, Mac, Linux, Python, 語音, Anthropic, 動畫, 音樂, Skill 技能

Gemini Robotics 2.5:讓機械人更懂得感知與行動

Gemini Robotics 2.5 聚焦真實環境中的機械人智能,讓機械人感知周遭、作出推理並與環境互動。

1p0vcWGLECMy9qInQW 1AumUwO5fa37wyJ66G0eO8H14BurbFkN7NkKAXbjXYXZ9tS034NyZ9ByuQk8ptQ24dLcMBeg6o fHMmauBZJ7KAXdM5NHFQ=w1440

過去數年,人工智慧在大語言模型(LLM)與多模態推理上取得了突破性進展。然而,當我們嘗試將這些「數位大腦」移植到實體機器人時,卻遭遇了嚴苛的現實障礙:機器人在實驗室裡表現亮眼,一旦走進雜亂、充滿動態變數的真實世界,往往因缺乏靈巧度、應變力與安全性而頻繁失誤。

Gemini Robotics 2.5 的方向,是把感知、推理和互動能力帶進實體機械人工作流程,面向需要處理真實物件與環境變化的任務。

與預設指令執行固定動作的做法相比,這類模型著重把視覺理解、推理及工具使用連接起來。對研究機械人控制、設計任務流程或探索人機協作的團隊,這種能力有望減少任務與環境之間的落差。

Gemini Robotics 2.5,正是為了解決這道橫跨在「數位認知」與「物理操作」之間的鴻溝。作為迄今最強大的視覺-語言-動作(Vision-Language-Action, VLA)模型,Gemini Robotics 2.5 不僅提升了機器人的操作靈巧度與學習速度,更透過在賓士(Mercedes-Benz)真實汽車裝配線上的驗證,象徵實體智慧(Physical Intelligence)正式跨出實驗室,邁向規模化落地。

從以下幾點理解它的定位:
– 面向真實世界的實體互動,而非只生成文字或影像。
– 涵蓋感知、推理、工具使用與環境互動。
– 適合關注機械人任務規劃及人機協作的研究與開發團隊。

項目主頁

Categories: Agentic, 模型, Google, Gemini, NanoBanana, Video, Image, Audio, Robotic, 工具, 安全

ProTEUS 顛覆閉環蛋白質的「突變解析世界模型」

設計蛋白質變異時,預測只是起點;ProTEUS 把模型排序和濕實驗結果接起來,逐輪挑選更有機會提升功能的候選序列。

proteus logo

在合成生物學與生物製藥領域,高活性、高穩定性的蛋白質酶一直是生技研發的核心聖杯。然而,傳統的「定向進化(Directed Evolution)」與當前主流的 AI 蛋白質設計工具,依然被困在巨大的序列空間與昂貴的濕實驗(Wet-lab)瓶頸中。

挑選蛋白質變異時,單靠預測未必能找出真正有效的序列。ProTEUS 把模型設計、實驗室測量和下一輪候選連成閉環,協助研究人員逐輪搜尋具有更高活性的變異蛋白。

蛋白質由 20 種天然胺基酸排列組合而成,僅僅一條 300 個胺基酸的中型蛋白質,其潛在突變空間就高達 $20^{300}$,遠超宇宙原子總數。項目先利用已測量的蛋白質功能資料訓練模型,再根據突變效果為候選序列排序;每輪測試 30 個變異,取得濕實驗結果後,便用累積測量重新調整目標預測器。預訓練表示則保持固定,讓後續搜尋能利用新結果,而不必每輪重做整套預訓練。

ProTEUS 在兩種蛋白質上展示了閉環演化流程。SacB 經過 3 輪、測試 90 個變異,最佳篩選活性達野生型的 14.03 倍;另一條 SacB 演化路線達 12.38 倍。ALDH 經過 5 輪、測試 150 個變異,最佳篩選活性為野生型的 6.85 倍。這些數字是篩選活性,不應直接解讀為已證明所有用途下的功能提升。

項目亦以 132 萬筆變異測量、涵蓋 161 種蛋白質背景的資料進行預訓練。研究報告指出,把功能訓練資料增加 80 倍後,測試誤差下降 56.3%;在預訓練測定中的留出變異測試,MSE 由 0.262 降至 0.115。這些結果反映特定資料與評估設定下的表現,未代表所有蛋白質或實驗條件。

ProTEUS 適合需要在有限實驗批次中安排蛋白質候選測試的研究工作流,尤其是能反覆測量功能並把結果用於下一輪設計的情境。它的成果仍受目標蛋白、測定方式和候選範圍限制,實驗驗證是閉環中不可缺少的一環。

項目主頁 · GitHub · 模型

Categories: 開源, Agentic, 模型, 世界模型, 模型訓練, Video, Vibe Coding, Medical醫學, 編程, 安全

MiniMax-H3-Image:1600 萬像素解析度。支援 16 張參考圖編修影像

驚人的逼真效果。精準的快速跟隨和編輯。最多可導入16張參考影像。所有操作僅需10秒。文字生圖與多圖編修可接入同一套服務,但仍未支援遮罩編輯與透明背景。

Og image

真正將生成式影像投入專業商業生產線的創作者,往往面臨著難以言說的妥協:一般模型輸出解析度長年卡在 1024×1024(約 100 萬至 400 萬像素),若要用於印刷或 4K/8K 螢幕,必須仰賴外掛的 Upscaler(超解析度放大演算法);而這些外掛放大器往往會破壞原圖細節,甚至生成不自然的面部扭曲與塑膠質感。此外,多數開源模型在面對多圖參照、精準編輯時,指令遵循度(Instruction Following)常顯疲態。

MiniMax 官網最新推出開源 MiniMax-H3-Image 影像模型,它提供兩種入口,方便開發者將生圖與編修接入創作流程。編修時可同時輸入指令及 1 至 16 張參考圖。

輸出可自訂寬高,或按長寬比配合面積級別設定,最高達 2,000 萬像素。兩種尺寸設定不能混用;當中的 1K、2K、4K 代表目標面積級別,並非固定邊長。

  • 每次可生成 1 至 10 張圖片。
  • ComfyUI 亦已正式發佈 Template 支持
  • 支援 jpeg、png、webp 輸出。
  • 啟用 stream 後,結果會逐張傳回,不提供預覽圖。
  • 不支援遮罩編輯或透明背景。

prompt 最多接受 32,000 字元,但關閉提示詞增強(prompt enhancement)後,約只有前 4,096 個 tokens 生效,安排詳細需求時要留意。

MiniMax-H3-Image 擁有高達 331 億(33.1B)參數的密集型單流 Diffusion Transformer(DiT),骨幹網絡繼承自 MiniMax-H3 系列,具備 50 層密集架構與 3D 多模態 RoPE。如此龐大的模型,若採用傳統 30~50 步的採樣排程,推論成本將極其高昂。
MiniMax 透過尖端蒸餾技術,將推論採樣壓縮至僅需 6 個採樣步驟(6 NFEs)且無需 CFG(Classifier-Free Guidance)。這意味著在 SGLang 或 vLLM-Omni 框架下,結合序列並行(Sequence Parallelism / Ulysses),可以在單卡或多卡 GPU 叢集上以極短延遲輸出巨幅畫面,使商業化的高畫質即時生成具備了經濟可行性。

需要嘗試較快版本,可指定 MiniMax-H3-Image-Highspeed,參數與限制相同。

項目主頁 · 模型

Categories: MCP, 模型, Google, NVIDIA, API, Video, Image, 影像模型, txt2img, 提示詞, 教學, Discord, Python, 語音, 蘋果, MiniMax

Page 1 of 36
1 2 3 … 36