ChatGPT 绘制秋日红叶背景四人角色:用视线与手势刻画表情魅力|AI 插画
这期 ChatGPT AI 插画分享以秋日红叶为背景绘制了 4 名角色,重点在于把脸部朝向与瞳孔动向分开调整,仅微调视线就能传达温柔、怅惘或俏皮等不同个性。作者表示,同一背景下只要改变视线和手部手势,就能让每个角色呈现不同表情。
这期 ChatGPT AI 插画分享以秋日红叶为背景绘制了 4 名角色,重点在于把脸部朝向与瞳孔动向分开调整,仅微调视线就能传达温柔、怅惘或俏皮等不同个性。作者表示,同一背景下只要改变视线和手部手势,就能让每个角色呈现不同表情。
研究提出 Knowledge Transfer Probing(KTP)协议,通过图像生成训练向统一多模态模型(UMMs)注入新知识,再用纯文本问答测试其可获取性。
针对联合音视频生成模型出现的多事件组合、多层音频混合与非对称跨模态关系,研究者提出以事件为中心的评估框架 AVC-Reward,在事件层面解耦音视频事件并跨模态交叉验证,聚合成粗到细的三级一致性指标。
针对动态高斯表示中快速移动小物体易丢失、高动态区域细节难恢复的问题,研究提出 Seed Injection 与 Temporal Biased Relocation 两种策略,分别利用时序外观变化与重建误差定位欠重建区域、用时间分辨优化信号引导高斯重定位。两者在不改变底层表示、维持固定高斯预算的前提下,于多个动态场景数据集上提升了重建质量。
研究者提出 MINE-SAMPLE-RENDER(MSR),一种测试时方法,从真实样本语料中挖掘可解释的分类模式并统计采样,再让生成模型仅作为条件渲染器输出采样配置,从而提升生成多样性。在天气报告生成、用户模拟、网页设计、文生图和智能体生成 3D 资产等任务上,MSR 改善了输出与语料分布的对齐度及多样性。
有用户提问 Qwen Image 2.1 的 LoRA 能否跨生成与编辑两种模式通用,例如用生成 LoRA 给图片添加哆啦A梦,或用编辑 LoRA 生成特定姿势的人物。该用户认为 Qwen Image 2.1 是统一模型,理论上应该可行,但想确认是否有人实际测试过。
有用户尝试用 krea 2、flux 2 dev、flux 2 klein 9b 和 qwen image edit 2.1 在本地复现 nano banana 2 的付费生成效果,但均无法接近。其需求是输入两张甚至更多人脸参考图来生成场景,再将结果用 h3 minimax 转为视频,目前视频环节正常,但希望起始帧能在本地生成而非付费。
创作者用 Arthemy Krea-2 Tuner 逐块调整 Krea-2 的模型与文本编码器权重,试图找出无需训练即可改变风格的"旋钮",数千次渲染后仅找到一个。文本编码器编辑几乎不损伤画质,但一致性差,20 次编辑中仅 4 次让不同角色朝同一方向变化;逗号似乎充当语义边界,相邻 2–4 个词成组移动。
有用户用自托管 MiniMax H3 生成"桌面产品随手拍"视频时,无论怎么提示都会出现电影感变焦和运镜,即使加入 smartphone/handheld 描述、尝试带与不带 realism LoRA 也依然过于精致。他询问这种自然手机素材效果主要取决于模型、提示词、参考图还是设置,并希望看到可用工作流。
美国东北大学与 Adobe Research 提出 OmniMem,首次实现完整历史的长视频生成,让模型实时检索当前需要的记忆。该方法将完整分辨率历史 KV 保留在 CPU,按需召回 GPU,并围绕块级检索定制 Triton 与 CUDA 内核。
Apple 研究者提出首个从头预训练的三模态掩码扩散模型(MDM),同时处理文本、图文和音频-文本数据,并系统分析了多模态扩展规律、模态混合比例、噪声调度与批大小影响。
作者在 ComfyUI 中通过 t8star/Kandinsky-Comfy 自定义节点试用了 Kandinsky 6,可生成带音频的视频,但音频模型 v1-44.pth 采用 CC BY-NC 4.0 仅限非商用。
在 CANVA 生成 AI 角色后,作者尝试让 Gemini 用该角色制作视频,成功做出多只不同颜色角色嬉戏的动画片段。作者认为这套流程若继续打磨或可用于制作动画,但目前进展暂时卡住,后续将继续探索。
作者在 VRAM 16GB、内存 32GB 的 PC 上用 ComfyUI 跑 MiniMax H3,对比 7 种配置后,5 秒视频最快约 2 分 40 秒完成,而官方 20 步设置约需 12 分半。
推荐理由:作者在 VRAM 16GB 的机器上实测 7 种配置,给出可复用的提速组合与踩坑记录。
AI 视频生成分场景制作时,前一场写的提示词不会自动带入下一场,商品颜色和形状容易在拼接后看起来像换了一件。做法是把不变特征(如淡绿颜色、圆角方形、叶形刻印)写成"共通メモ",在每个场景的 prompt 中原样复用,只改动展示范围与动作。生成视频前先并排比对两场图像,并与实物核对,再决定是否拼接。
一位用 ChatGPT 生成漫画数月的创作者,在 Mac mini 上安装了 ComfyUI,发现其可组合模型与生成条件、逐项对比结果,像一间"图像生成 AI 的实验室"。他打算借此验证自己积累的"生成圣经"中哪些规则真正有效,但坦言目前只是装上软件,模型选择、节点搭建和视频生成性能都尚未开始研究。
Higgsfield、Runway、HeyGen、Invideo AI、Synthesia 与 Kling AI 被列为 2026 年 Adobe Firefly 的六款替代方案,覆盖场景生成、剪辑、AI 主播、脚本转视频与电影级运镜等不同工作流。
FireCut 发布内容创作者视频剪辑自动化指南,称 AI 工具可将原本约三小时的粗剪清理压缩到三分钟以内,自动删除静音、口癖词并识别不适宜词汇。字幕环节可自动生成动态动画字幕、高亮强调词并插入 emoji,B-roll 与变焦也能依据转录文本自动匹配和添加。
用 ChatGPT 图像生成模型制作 AI 男友偶像立绘的第 9 弹,给出王子系偶像服装提示词,可选基本形、长外套、短款、斗篷披风、马甲背心等类型。提示词配合「脸部特写、立绘、三视图」三点套使用,只需发送即可在保持角色服装、发型、五官的前提下自由生成姿势与构图,还支持做偶像团体统一服装。
用户用 minimax_h3_hybrid_fl2va_ref2va_b25-49-int8、minimax_h3_ref2va_pruned_bf16、minimax_h3_ref2va_pruned_int8_convrot 三款 H3 扩散模型。
用 FLUX.2 klein 4B 加风格 LoRA 做 2D 游戏素材时,作者用"白底生成、再以原图为参考重绘到纯黑底"的老式胶片抠像法(Smith & Blinn 1996)获得透明背景,alpha = 1 - (white - black) / 255,颜色取自黑底图以避免白边。
用 ComfyUI 搭配 Animagine XL 3.1 生成抱南瓜灯的紫发红眼吸血鬼,指定上颚左右各一颗獠牙、单手扶茎另一臂托底,并附整体生成与右上翼局部修正两段 JSON。
作者在本地视频生成智能体之外引入 Codex 作为上位操作员,由它读取日志、state 和 Reviewer 修正指示,决定差回与断点续跑,自己只负责制定方针。该分工从 v0.5.64 起试用,定型执行与安全状态管理仍留在本地,预算上限、重试限制等边界不变。作者强调这是个人实测感受,并非量化收益,且 Codex 自身也有用量与执行上限。
作者用 Claude Code opus5.5 配合一条提示词和少量追问,制作出含旁白、BGM、3D 与字幕的 60 秒竖屏短片《诈骗常见套路 3 选》,全程未消耗视频生成 AI 的额度。
在 LTX-2.5 上把 CFG 从 1 提到 4 后画质崩溃,出现过饱和与纹理失真。原因是该模型为引导蒸馏模型,提示词贴合度已固化在权重中,基础推理仅跑 3 步去噪,调高 CFG 会偏离其蒸馏时的工作点。作者提醒从 SDXL/SD1.5 的 CFG 7 习惯迁移过来的人需换一套思路。
灯の旅人开发的「插画零件扭蛋」工具可将场景、表情、姿势、服装和小事件组合成图像生成 AI 提示词,并支持固定喜欢的项目。作者用该工具生成的两组提示词分别在 ChatGPT 和 Midjourney 中出图,Midjourney 版需微调英文提示词,ChatGPT 版则原样使用。
一位 AI 图像生成新手分享在 ComfyUI 中从零搭建工作流的经历,用"厨房做菜"比喻工作流、节点、模型与 LoRA 的关系。作者在 Civitai 上从 SD1.5 模型列表中挑选模型,首次生成因步数不足只得到模糊图像,调整后约 1 小时才产出较像样的男性图像。
针对用图像生成 AI 制作 note 头图时反复返工的问题,这篇文章给出按 note 头图规格设计的「5 要素提示词」模板,并附 4 个分类型可直接套用的提示词范例。
用 SDXL + ControlNet Canny 搭建合成飞机图像生成管线,在 1、2、4 块 RTX 5090 上实测:4 卡吞吐 6.36 张/秒,相比单卡 1.69 张/秒提速 3.77 倍,扩展效率 94.2%。但生成图像中飞机虽可辨认,机场地面却出现怪异岩石状纹理,作者仍无法放心用其训练飞机检测器。
在 Mac mini M4 32GB 上通过 ComfyUI v0.40.0 实测 Qwen Image 2.1 Turbo,生成一张 1024×1024 图像耗时 37 分 36 秒,速度相比 Qwen Image 2.1 无明显提升。
有创作者正在开发一个简单工具,把粗略草图转成提示词再用 Krea 2 生成图像。示例中草图对应一段山谷风景提示词,最终输出了一张写实风格的风景照片。
一位用户分享使用 Kling AI 生成趣味教学视频的心得:提示词越简单越好,First Take 效果最佳,反复追加要求反而会让画面崩坏。背景、表情和镜头角度适合具体指定,但只给台词时 AI 可能变成旁白而非角色说话。视频时长可设为 15 秒以内,过短会导致语速过快或结尾被截断;AI 对汉字读音不完整,建议把不放心的字写成平假名。
Kling AI 4.0 提示词指南提出四段式结构:主体、动作、场景、镜头与风格,并强调先写主体和主要动作,镜头与情绪服务于动作。指南建议用具体术语写运镜指令,如"镜头缓慢推进至主体面部""肩部高度跟拍",并将速度限定与物理线索配对以控制运动。跨镜头角色一致需固定角色块原样复用,文生视频与图生视频提示词写法不同,后者应专注指挥运动。
Kling 4.0 与 Seedance 2.5 面向高要求 AI 视频工作流,但侧重不同:Kling 4.0 主打电影感控制、更长镜头和高分辨率交付,适合单主体电影镜头与品牌主视觉;Seedance 2.5 为多模态参考包设计,适合参考素材密集、多主体一致性和源素材驱动的反复迭代。
Kling 4.0 将单次生成时长从 Kling 3.0 的 15 秒延长至 30 秒,关键帧从起始/结束帧扩展至最多 10 个,并新增多参考 Omni Reference 控制与立体声音频及改进的口型同步。Kling 3.0 仍适合 15 秒内、成本敏感的短社媒视频与对白主导片段,Kling 4.0 则面向更长镜头、多节拍和品牌一致性要求高的商业与剧情内容。
Kling 4.0 并非面向所有人免费开放,而是分阶段先向符合条件的高等级会员开放 Kling 4.0 Flash,免费用户仍主要使用较早的 Kling 模型。免费账户通常提供注册一次性积分和每日刷新积分,但在模型访问、分辨率、时长、音频、水印、队列和商业使用权上与付费套餐存在差异。免费访问更适合测试与学习,用于客户交付或付费营销前需查看当前套餐的商业使用条款。
Kling 4.0 可将文字创意或静态图片生成短篇 AI 视频,指南给出文生视频与图生视频的分步流程。提示词按主体、动作、场景、镜头与风格四层组织,先用最短时长验证创意,再生成最终长镜头。图生视频应聚焦描述运动而非重述画面,首版避免叠加口型同步、运动笔刷等高级控制。
有用户在 fal.ai 上用 Krea 2 训练写实角色 LoRA,数据集为 Nano Banana 生成的 26 张 1024 分辨率图片、训练 1000 步,结果生成时胡须、体毛等细节模糊,而不用 LoRA 时画质正常。该用户表示已尝试各种方法仍未解决,发帖求助原因。
一位创作者用 Wan2GP 搭配 MiniMax H3 Ref2VA Pruned 20B,在单张 RTX 3090 24GB 上以 720p、20 步生成黑白科幻短剧《The Prompting Zone》首集,每段约 5–10 秒的片段耗时约 30 分钟。他先写完整剧本,再为每个场景生成 2×2 四格构图参考图当分镜,但模型有时把参考图误读成四格画面,角色一致性和屏幕可读文字仍是最大难题。
因 ComfyUI 桌面版安装 MiniMAX H3 时提示需更新 NVIDIA 驱动,作者担心影响现有 FLUX1 on Stable Diffusion Web UI Forge、FramePack Eichi_F1 等环境,放弃了在 GPU VRAM 8 GB 环境下导入 MiniMAX H3 的 i2v。