PAN 2 发布:开源 29B 视频生成模型
PAN 2 发布,开源 29B 潜在扩散模型,支持最高 20 秒、720p、24fps 视频生成,采用 Apache 2.0 许可证。发布方同时公开训练代码,并提供 Diffusers、FastVideo 和 vLLM 集成。模型让 LLM 生成密集文本状态/脚本,事件和动作定时,相机嵌套在事件下但与动作解耦。
PAN 2 发布,开源 29B 潜在扩散模型,支持最高 20 秒、720p、24fps 视频生成,采用 Apache 2.0 许可证。发布方同时公开训练代码,并提供 Diffusers、FastVideo 和 vLLM 集成。模型让 LLM 生成密集文本状态/脚本,事件和动作定时,相机嵌套在事件下但与动作解耦。
Mago 开源了运行在 ComfyUI 上的 AI 视频工作室,面向 AI 系列、短片和微短剧等长视频制作。它支持从脚本到分镜、镜头和角色一致性,可本地渲染,支持 MiniMax H3、Qwen、FLUX 等模型,当前版本 0.19.0。
ZenTrainer 0.4.0 发布,这是一个在 ComfyUI 内运行的开源 LoRA 训练器,支持图像和视频模型、实时预览,并兼容 NVIDIA 与 AMD。
Spool 是运行在 ComfyUI 内的时间线工具,在独立标签页中把工作流拖入即成为一个镜头,可生成多个候选版本并逐帧对比挑选。未选中的版本仍保留在镜头下可随时改选,选中的版本可拖到时间线上继续叠加其他工作流,无需添加 Spool 节点,渲染在本地 GPU 或 Comfy Cloud 完成,最终可导出到 Resolve 或 Premiere 完成剪辑。
Lemo-Opuscar 是一个用 Claude Code 写代码生成短片的开源项目,完全不依赖视频生成模型,通过 canvas/WebGL 逐帧渲染、headless Chrome 截屏和 ffmpeg 合成,已积累 59 种风格,一个月获 8274 个 star。
patch-gg 开源 anymove,一个把 AI 视频转成 3D 动画的工作流,支持龙、蜘蛛、狼、恶魔等生物,单条成本约 0.26 美元。方法是用双相机同帧拍摄加关节读取器拟合,生成 GLB 文件,24fps,无需手动编辑,一分钟内完成。仓库还包含 Agent Skills 和 MiniMax H3 LoRA。
作者发布 MOSS-Image 免费工作流,可模拟 Kodachrome、Portra、CineStill 800T、Tri-X、Aerochrome 等胶片风格,并支持从 8mm 鱼眼到 XPan 全景的镜头选择。
微软团队提出 Code Video Model,由 Coding Agent 将 Prompt 转为 Three.js 程序,把几何布局、物体运动、相机轨迹和事件时序统一为可执行场景表示,预演渲染不到一分钟。
pyvideotrans v4.17 发布,新增 Audio.cpp 语音识别渠道,并增加基于 audio.cpp 的降噪与人声分离模型。同时修复 nemotronasr 重复下载问题,新增 Opper 翻译渠道,字幕翻译增加“进一步精简”选项。
模思智能开源的 5B 参数文生图模型 MOSS-Image 上线 4 天在海外社区收获 130 万次下载,GitHub 获 1.4k Stars,并登顶 Hugging Face 文生图趋势榜。
作者公开了在 8 GB 显存本地训练 MOSS-Image 角色 LoRA 的一套参数:默认设置训练 800 步,大数据集或难概念再延到 1200–1500 步,学习率 0.0004、rank/alpha 8/8、512² 分辨率。
OpenMOSS 发布图像模型 MOSS-Image,已在 Hugging Face 上线 SFT 与 Base 两个版本,并给出 ComfyUI 接入说明。该模型基于 3.2B 图像训练,采用 Apache 2.0 许可,支持 JSON 与 BBOX 输入但不强制要求,同时兼容自然语言和 booru 标签提示词。
Black Forest Labs 发布 FLUX 3 Image Klein,一个 5.6B 参数的开源权重模型,支持文生图、图像编辑和最多 10 张参考图的多参考生成,具备原生 4K 生成、像素级编辑和边界框控制能力。
作者为 Fish Audio Drama 3 开发了 ComfyUI-Drama3 自定义节点,这是一个 35B 文本转语音模型,支持声音克隆、对话以及 [sighs]、[whispers] 等行内提示,最低可在 8GB 显存的显卡上运行。
Noiz AI 开源了世界模型 HelixWorld,给一张起始图片并填写场景描述后,可用 WASD 移动、方向键转动视角,模型结合当前场景与操作继续生成后续画面与声音。
ComfyUI-Drama3 将 Fish Audio 的 35B 混合专家语音模型 Drama 3 与 Qwen3-ASR 打包成 ComfyUI 自定义节点,无需额外安装依赖,专家权重放在系统内存、经显存缓存流式读取,8GB 显存即可运行。
阿里通义开源 Qwen-Image-2.1-Turbo,基于 Qwen-Image-2.1 的加速 checkpoint,沿用同一套 7B 视觉生成架构,文生图与自然语言编辑只需 8 步去噪,官方称仍能生成 2K 图像并支持加配饰、换场景等连续编辑。
sirioberati 发布 Genjustsu 开源工作流,在本地 UI 中通过彩色深度、SAM 3 遮罩和 Enhancor 的 Seedance 集成替换视频主体,先出草稿、批准后再生成 1080p。
kandinskylab 发布 Kandinsky 6.0 Video 系列扩散模型,包含 3B 参数的 Lite 和 29B 参数的 Pro,可生成 5 秒带 44 kHz 同步音频(含对口型)的视频,支持文生音视频与图生音视频,并配有超分模型将输出提升至 Full HD(1920×1080)。
用 Claude Opus 5.5 做视频的方式不是模型直接生成画面,而是让 Claude Code、Codex 等 Agent 工具编写 HTML、Canvas、WebGL 或 Remotion 动画,再逐帧导出 MP4,字幕、镜头路径和转场都在代码里调整。