Minimax H3、Qwen Image 2.1 等开源模型的最佳设置与工作流怎么配?
社区讨论选出当前开源模型中的优胜者:I2V 与视频编辑为 Minimax H3,文生图为 Krea 2、Ideogram 4 和 AnimaYume,图像编辑为 Qwen Image 2.1。
社区讨论选出当前开源模型中的优胜者:I2V 与视频编辑为 Minimax H3,文生图为 Krea 2、Ideogram 4 和 AnimaYume,图像编辑为 Qwen Image 2.1。
Krea 团队用自家工具制作了 Krea 3 发布视频和基准视频,成本从 20 万美元以上降至约 300 美元,时间从 2 个月缩至 24 小时内。工作流从 Figma 分镜开始,经 Krea MCP、Claude 与 After Effects 插件,最终由自训 agent Wobble 完成基准视频的 116 个版本。
推荐理由:Krea 团队公开了从 Figma 分镜到自训 agent 的分层工作流,并给出 prompt 与反馈机制,创作者可迁移这套方法。
作者在 ComfyUI 中尝试 MiniMax H3 的 Reference-to-Video 工作流,用 AI 生成角色替换原视频人物,同时保留原片动作与表演,并尝试替换背景环境。
推荐理由:作者在本地实测 MiniMax H3 的参考生视频流程,把角色替换与动作迁移整理成可下载的工作流和素材。
爱沢在 X 上公开了 10 月 22 日早晨至 23 日深夜发布的 5 张插画所用 ChatGPT 图像生成提示词,覆盖朝、昼、夕方、夜、深夜五个场景,可免费用于自己的角色。
Higgsfield 发布 AI 数字人制作指南,用 Soul 2.0 生成角色图、Seed Audio 1.0 配音,再在 Seedance 2.5 中以图片和音轨为参考生成对口型说话视频。
作者在 RTX 4070(12GB 显存)上实测 FastVideo 与 Nuva Lab 为 MiniMax H3 参照生成(Ref2VA)开发的 8 步加速模型 FastH3 OmniRef,生成 5 秒视频时,官方 VSA 10% 设置耗时 416 秒,去掉 VSA 的 Dense 设置耗时 1312 秒,约相差 3.2 倍。
一位新手用 FizGig 默认设置训练 MOSS 风格 LoRA,精选并严格标注 150 张图,设定 30 epochs,但到第 18 个 epoch 时 loss 始终无法低于 0.44,并在 0.48 至 0.56 之间反复回升,因此中止训练并向社区求助是继续还是调整参数。
Higgsfield AI 免费版 10 个积分不足以生成任何视频片段,最便宜的 4 秒 Seedance 2.5 Draft(480p)需 12 积分,5 秒 1080p 的 Cinema Studio 4.0 片段则需 80 积分。
用户在 ComfyUI 中用 Minimax H3 延长视频时,第二段开头出现闪烁、整段出现彩点,已尝试调整 context frames、window 39/90/141、snap cuts、画质与比例,并换用 ref2va 和 fl2va 模型均无效。
一位用户将 RTX Pro 6000 的 CableMod 12V-2x6 线(4 个 PCIe 接口)换成海盗船温控保护线后,ComfyUI 中 Flux 1d 生成时间增加 20%,Wan 2.1 720p 从 78.42 秒增至 180 秒。换线后 TDP 从峰值 105% 降至约 90%、板卡功耗从 650W 降至 610W,该用户正考虑换回旧线。
Reddit 用户 Winter_unmuted 分享了一套基于 Flux3 的一次性、可调图像到图像风格迁移工作流,核心是参考 latent 加节点。作者称可分别调节构图强度(起始越晚越弱、更有创造性)与图像风格相对提示词的强度(越早越偏图像风格,越晚越依赖提示词),并附上渐变示例。
Kapwing 发布教程,说明 Claude 通过 Kapwing MCP 接入 48 个工具后,可完成字幕生成、字幕翻译和 AI 配音三类工作流。作者用 45 秒双人播客和 21 秒口播视频实测,后者一次请求五种语言,76 秒生成五条配音版本。
作者在 Windows 11 与 RTX 4090 环境用 ComfyUI 跑通 MiniMax H3 的 REF2VA 蒸馏模型 FastH3-Omni,8 步生成耗时 220 秒,CPU 内存 62GB、GPU 内存 58GB(VRAM 22GB 加共享内存 36GB)。
有用户在清理硬盘时发现多个模型和 LoRA 命名相似、文件大小完全相同,例如 fp8mixed.safetensor 与 fp8.safetensor,怀疑存在重复文件。他询问是否有办法直接判断这些模型或 LoRA 是否真为重复,以便删除其中一个释放空间,还是只能在 ComfyUI 工作流中分别试跑、对比输出结果后再决定删除。
针对号称“世界第一”的 Fibo V2 图像生成及编辑能力的全面测评已出炉,并与 Moss Image、Qwen Image 2.1 进行横向对比。测评围绕图像生成与编辑两类任务展开,具体分数与结论需参见原文实测结果。
作者用设定表(三面图、表情一覧、服装与常用小物)作为参照图,让图像生成 AI 在多张图里维持同一角色外观。他把设定表图片和「哪版是现行版」的信息集中到 Supabase 管理,状态分为现行、旧版、退回/制作中,作画时只用现行版。即便如此仍会崩坏,例如卷发线条变淡、眼睛位置偏移,用数字像素指示没修好,改附示例图才修正。
ComfyUI 教程以 Z-Image Turbo 为例讲解模型文件的下载、存放与加载:扩散模型(约 6 GB)放入 models/diffusion_models。
作者在 ComfyUI 中用 MOSS-Image-SFT 对海报、价格牌和产品标签各跑 8 个种子,对比纯文字提示与布局 JSON 的文字落位表现。五排价格牌上,布局 JSON 让 88 个文字块全部落位,纯文字提示为 67/88,海报和标签两者差距在 1 个块以内;两种方式的拼写均为全对。
拥有超 5 亿流量的白金认证音乐制作人 Oliver Alge 使用 Higgsfield Cinema Studio 4.0 完成 AI 音乐视频、德国全国电视广告和利雅得航空国庆广告。
文章以虚构伞店「しずく堂」的20秒竖屏视频为例,说明在逐镜生成素材图前,先用图像生成AI做出同一商品正面、侧面等各朝向的参考图,再逐张附参考图生成素材图。作者建议每张素材图与参考图、首镜素材图并排比对,把不一致处用文字逐项改回,并确认无画框、编号与说明文字后再交给视频生成AI。
针对 MOSS Image 输出模糊问题,可采用两阶段去噪流程:先正常去噪 5 步,再对潜图像应用 LatentOperationSharpen,然后继续去噪。作者使用 base 模型加 LoRA,并展示了第二阶段去噪时把 SFT 模型作为 LoRA 叠加到 base 模型上的对比结果,以及仅锐化潜变量的对比结果。
作者根据 Hugging Face 文件列表和官方文档,梳理 MOSS-Image 在 ComfyUI 重打包中各文件的用途:9GB 版本(HF 上 10.16 GB,磁盘 9.47 GiB)为 bf16,5GB 版本(5.41 GB)为 int8 ConvRot 量化,Base 与 SFT 各有两种版本。
作者在 AI 图像创作连载第三篇中,用 ChatGPT 辅助学习胸郭、骨盆、背骨与肩臂关节的关系,再据此编写提示词生成横踢和踏前构姿两张全身动作图。她将胸郭与骨盆作为独立立体分别指定方向,并让骨盆随踢腿方向自然旋转,股关节与膝盖的连接因此比以往更自然。
一位用户在 ComfyUI 社区分享了自己的工作流,并说明只需拖拽第二张图片即可直接复用该工作流。帖子未披露所用模型、参数或具体生成效果。
制作 Twitch 表情需按聊天中最小尺寸 28×28 设计,上传方形透明背景 PNG,静态图上限 1 MB、动图不超过 60 帧。Recraft Studio 可先用矢量输出生成首个表情,再用 V4 Styles 以最多 10 张参考图锁定统一风格,并一键去背景、导出 112/56/28 三种尺寸。自定义表情仅对 Twitch 合作伙伴与 Affiliate 开放,需通过平台审核。
一份面向 ChatGPT、Gemini 等工具的 AI 美女图像提示词集,收录约 100 种可直接复制的 JSON 格式提示词,主题为世界各地绝景与成人女性结合。每个主题提供 1:1 基础版、9:16 竖版、1280×670 note 见出图版,以及背景和氛围改编版,并附 negative_prompt 与 aspect_ratio 字段。
Qwen-image3 目前无本地版本,需通过 API 调用,作者在 ComfyUI 充值 5 美元获得 1,055 credit 进行 img2img 测试,单次生成消耗 10 credit。
作者在 RX 7800 XT(16 GB,ROCm)加 64 GB 内存的本地环境完成一支 3 分 26 秒音乐视频。
作者用 ChatGPT 图像生成模型制作 AI 男友万圣节主题 CG,给出「万圣节的恋人」完整提示词,要求 3:2 横构图、略高机位俯视,男性角色保留参考图五官与体格但瞳色改为深红,右侧为南瓜头女性怪异物,美感与怪异按 7:3 配比。提示词需配合角色「脸部特写、立绘、三视图」三件套使用,以在换姿势和构图时维持服装、发型与长相一致。
Krea 3 的 Ultra 模式于 10 月 22 日被合并进 ComfyUI 模板,作者通过 ComfyUI API 实测了该模型的编辑能力。Krea 3 支持原生 2K 编辑、只重绘改动区域的区域编辑、最多 8 张参考图合成、HEX 色值指定与版式文字保持;Ultra 固定输出 2K,单张耗时数分钟。
作者在 ComfyUI 中用 Spectrum 节点搭配 8 步 LoRA 优化 MOSS 文生图,在 RTX3060 6GB 显存、16GB 内存上测试 2 百万像素出图。
用户使用 Z_image_turbo_bf16 生成人物全身像时,面部特写细节出色,但眼睛出现扭曲、不对称的问题。尝试 RealESRGAN_x4 与 4x-ultrasharp 两个放大模型后结果依旧,正向提示词中已加入 "Detailed eyes, sharp focus, detailed iris"。用户询问是否有办法改善全身像中的眼睛质量。
日本创作者公开了一套用 Midjourney、ChatGPT、Gemini 等生成 AI 复现"OL 下班后走进酒店换上万圣节 cosplay"全流程的提示词,按 STEP1 至 STEP5 拆解:挂员工证走出办公楼、夜街步行、酒店玄关脱鞋、沙发与床上的 cosplay 姿态。
作者用 Animagine XL 4.0 Opt 分别生成人物与雨滴素材,再在 ComfyUI 中用窗框透明区域的遮罩把人物和雨滴合成到玻璃内侧,保留窗框在人物之前的前后关系。
2026 年 AI 导演软件排名中,ScreenWeaver 位列第一,其后是 LTX Studio 和 Saga。该排名按“生成镜头是否与剧本文字保持关联”等标准评估六款覆盖至少两个制作环节的工具,ScreenWeaver 集成 Seedance 2.5、Veo 3.1、Kling 3.0 等 7 个视频模型,Auteur 版 39.99 美元/月,但工具内不含完整剪辑。
Pixolm 用 Nano Banana 2.1 生成 6 款 9:16 竖版万圣节壁纸,包括陶器妖怪、纸南瓜山丘、夜庭猫、小点心店、暗背景南瓜和水彩女巫书桌。提示词统一要求顶部 40% 低对比度留白、主体居下半部并靠中,且不绘制文字、假时钟或手机边框。生成设置为 2K、Standard、每次 1 张,未使用参考图或提示词优化。
用 Google AI Studio 测试视频生成时,应制作带剪辑决策的三镜头连续序列,而非只看单条精彩片段。测试需统一拍摄简报、限定每镜头尝试次数(如三次)并预设费用上限,检查角色身份、道具位置与空间方向在剪辑点两侧是否一致。审片修改应只重生成受影响镜头,并以可接受成本交付可剪辑序列作为采用标准。
用户用 Claude Code(Sonnet 5.5)搭配 Krea2_api 工作流,一晚生成了超过 2000 张图像。Claude 可自由调用已下载的 LoRA、编辑或新建工作流,并对输出自行评判和调整参数,最终笔记 notes.MD 超过 1700 行。约 2100 张图像与笔记、摘要文件已在评论区打包分享。
有创作者基于 MiniMax H3 的 Ref2VA 能力,配合后台运行的 Wan2GP 搭建自定义前端,用于生成长视频。作者表示可借此指导动作并保持角色一致性,全部在 5060ti 16GB 上完成。下一步计划分析其他视频的风格与动作,再用新角色和场景自动复现。
一篇 ComfyUI 建筑渲染教程应首先公开测试所用 GPU 与 VRAM、ComfyUI 版本、模型与自定义节点、输入尺寸、峰值显存策略及低显存备选方案,并附上工作流文件与预期输出。