PrunaAI 发布 P-H3-Image 图像模型,基于 MiniMax H3 微调
PrunaAI 发布 P-H3-Image 图像模型,基于 MiniMax H3 微调,支持 8 MP 文本生成图像与最多 8 张输入图像的编辑。模型为 33.1B 参数 transformer,8 步采样且无需 CFG,内置 Qwen3.5-9B prompt upsampler,ComfyUI v0.44.0 原生支持。
PrunaAI 发布 P-H3-Image 图像模型,基于 MiniMax H3 微调,支持 8 MP 文本生成图像与最多 8 张输入图像的编辑。模型为 33.1B 参数 transformer,8 步采样且无需 CFG,内置 Qwen3.5-9B prompt upsampler,ComfyUI v0.44.0 原生支持。
Krea 3 是 Krea 推出的图像到图像基础模型,主打编辑速度与成本效率,单次编辑在 8 秒内完成。在 Arena.ai、Artificial Analysis 和 Design Arena 的编辑排行榜上位列第 4,速度比 Nano Banana Pro 快约 3-5 倍,成本约为其一半。
Reddit 用户 elephant-knight 训练并发布了 Krea-2 的姿态控制 LoRA,checkpoints 已上传至 Hugging Face(https://huggingface.co/adhit-420/Krea-2-PoseControl-LoRA-checkpoints)。
MiniMax 发布开源图像生成与编辑模型 MiniMax-H3-Image,将文本到图像与图像编辑统一在一个 checkpoint。模型为 33.1B 参数 DiT,蒸馏至 6 步采样,直接生成约 16 兆像素图像(4096×4096 至 6272×2688),无需超分。
推荐理由:新模型将文本生成与图像编辑统一在一个 checkpoint,16 兆像素直接输出且仅需 6 步采样,可评估其是否适合现有出图流程。
TaoLive AIGC 于 11 月 2 日发布 TaoMate-FVSR,一个 10.3 GB 的视频人脸修复模型,可修复生成视频中模糊的脸部与融合的牙齿,并在替换音频轨道时让口型匹配新语音。
推荐理由:针对生成视频脸部模糊、牙齿融合与口型不跟声音的缺陷,同时做修复与对口型,并可直接在 ComfyUI 中运行。
LightX2V 团队发布 Qwen-Image 2.1 Lightning v2 RL,从 v1 的 67MB LoRA 升级为完整 transformer(28.5GB FP32),经 RL 精炼后支持四步采样,覆盖文生图、单参考编辑和多参考生成。
腾讯开源混元同声传译大模型Hy-SimulMT,支持中英语音实时互译,可在翻译同时实时克隆说话人音色,实测响应约3秒,翻译质量达人类同传专家水平。该能力有望降低短剧出海译制成本,让多语种版本以低边际成本复制,中小团队无需为每个市场单独组建配音班底。
Morgana 1.2 发布,是 Kitani 基于 FLUX.2 Klein 4B 的摄影微调模型,主打真实人脸、自然光与细腻纹理。在 1x H100 上 15 步生成仅需 4.6 秒,无需 LoRA。免费提供 safetensors 与 GGUF(含 BF16、Q8_0 等量化),另有付费 API。
ElevenLabs 推出 SFX v3 音效模型,现已上线 ElevenCreative 和 ElevenAPI。SFX v3 能更可靠地处理描述多种声音的提示,音乐与声乐生成更可信,音质比 SFX v2 更干净自然。创作者可在 Flows、Sound Effects 标签、Studio 和 Music Editor 中使用,开发者可通过 ElevenAPI 接入。
推荐理由:SFX v3 改进了多声音提示跟随、音乐与声乐生成和音质,创作者可据此评估是否替换现有音效生成流程。
Pika 发布 H3 Flex,将 MiniMax H3 后训练并蒸馏至六步采样,开源权重与 ComfyUI 模板。模型以两个 LoRA 适配器加载于 H3 基座,支持文本到视频、首尾帧及参考条件生成,输出 480p/768p、5-15 秒并混入 32kHz 立体声音频。Pika 自评在五项视觉与音频质量指标上领先对比模型,社区实测提示四步时高频细节出现闪烁,建议保持六步。
推荐理由:Pika 将 MiniMax H3 后训练为六步模型并开源权重,ComfyUI 模板可直接加载,创作者可据此评估六步出片质量。
Pika 发布 H3 Flex,成为 DesignArena t2v 榜单第一的开源权重模型。该模型支持导出音频分轨、最高 4K 分辨率与快于实时生成,15 秒带音轨片段最快 7 秒生成。
推荐理由:Pika H3 Flex 以开源权重登顶 DesignArena t2v 榜单,支持 4K 与音频分轨,为专业迭代提供新选择。
Pika 发布 H3 Flex 视频生成模型,基于 MiniMax-H3 后训练,六步采样生成带同步立体声的视频。本地开源推理支持 480p/768p、24fps、5-15 秒,API 可生成 1080p/2K/4K 并支持音频分离与提示增强;Ref2VA 模式支持最多 12 个参考输入。
推荐理由:基于 MiniMax-H3 后训练,六步采样与多参考输入为专业视频创作提供高效可控方案,可评估其与现有流程的适配度。
创作者发布针对 Krea 2 Turbo 的 3 步蒸馏 LoRA,将去噪步数从 8 步降至 3 步,去噪速度提升 2.6 倍,细节质量达到教师模型的 1.15 倍。训练使用 12,000 个样本,单张 H100 约 41 小时;提供 ComfyUI 工作流,兼容 diffusers、ComfyUI 和 MLX。
推荐理由:这个 3 步蒸馏 LoRA 将 Krea 2 Turbo 去噪步数从 8 步降到 3 步,细节质量超过教师模型,为创作者提供更快的出图选择。
可灵邀请创作者 Ami 用 Kling 4.0 制作短片《Tea When You Have Time》,她分享了 30 秒生成、Omni Reference 与多关键帧等新能力的使用体验。Kling 4.0 支持单次 30 秒生成、21:9 画幅、最多 10 个关键帧,12 个角色资产保持一致,粤语对白口型同步效果好,并支持多种方言与英语口音。
推荐理由:创作者实测显示 Kling 4.0 在 30 秒长镜头、12 角色一致性与粤语口型同步上表现稳定,可据此评估升级。
作者训练了复古动画风格 LoRA,重现 80/90 年代 OVA 的赛璐璐质感、胶片颗粒与手绘背景风格。推荐权重 0.7-1.0,触发词为 retro anime style illustration,可在 https://civitai.red/models/1970260/retro-anime-style 下载。
MOSS lora v2 发布,作者清理了数据集中的低质量图像,并重新标注所有图片,不再使用转换的 Ideogram 提示词。新模型色彩深度、提示词遵循度和高细节图像生成能力均显著提升。由于性能提升,模型相比 v1 更少冒险,提示词需更具体。
AuroraIMG2-50M-Preview 发布,这是一款文生图模型,去噪器仅 50M 参数,端到端推理参数约 90M。在 2016 年 Intel i5 7200U 笔记本 CPU 上,50 步生成需 27 秒,20 步需 11 秒,采用 Apache 2.0 许可。
谷歌发布新一代世界模型 Genie 4,可在生成世界的同时原生生成音乐、环境音和交互式对话。相比上一代 Genie 3,新模型加入原生音频、实时人物对话,以及由 Gemini 模型提供的多步骤推理和场景控制能力,目前以研究预览形式向受信任测试者逐步开放。
推荐理由:Genie 4 在上一代基础上加入原生音频、实时对话与多步骤推理,创作者可据此评估其交互式模拟能力。
谷歌 DeepMind 发布 Genie 4,世界模型实现原生多模态,画面、音乐、环境声和对话可同时生成。技术上基于 Gemini 家族,Gemini Omni 负责让模拟锚定真实世界的样貌和物理行为。
lvladikov 发布 Krea2-Turbo-Distill-3step-LoRA,将 Krea 2 Turbo 从 8 步压缩到 3 步,约 2.6 倍加速(65.4 秒降至 24.9 秒),细纹理达 8 步教师的 1.11 倍。该 rank-64 LoRA 可在 ComfyUI、diffusers 和 MLX 中直接加载,无需自定义节点,并附带纯 stock 节点工作流。
PrunaAI 发布面向 Qwen-Image-2.1 的 6 步 LoRA 适配器,将图像生成从 40 步压缩到 6 步。其中 6-steps-upsampled 版本去掉了独立的提示词上采样步骤,根据提示词风格可节省 41 到 80 秒,LoRA 直接加载在 Qwen-Image-2.1 上,管线保持不变。
推荐理由:新适配器将图像生成从 40 步压缩到 6 步并去掉上采样环节,创作者可据此评估是否替换现有出片流程。
可灵官方转发 Runware 消息称 Kling 4.0 已在 Runware 上线,支持最长 30 秒 1080p 视频并带原生音频。该版本支持首帧、中间帧、尾帧的多关键帧,单次请求最多 15 个输入,涵盖关键帧、参考图、参考视频和元素,并可基于提示词编辑已有片段。定价为每秒输出 0.133 美元起,接下来 7 天在常规价格上打 85 折,模型 ID 为 klingai:[email protected]。
推荐理由:Kling 4.0 通过 Runware API 上线,给出 30 秒 1080p 带原生音频与多关键帧输入等参数,可对照现有出片链路。
Ideogram 于 10 月 22 日发布首个矢量图像模型 Ideogram Vector,可根据文字指令生成放大不崩的 SVG,API 定价每张 0.1〜0.32 美元。
可灵于 2026 年 10 月 15 日正式发布 Kling 4.0,支持单次 3–30 秒生成、更稳定的大幅运动与复杂运镜,以及最多 10 个关键帧输入。Omni Reference 单次生成最多可组合 15 个参考素材,包括 10 张图片、总时长不超过 30 秒的 5 段视频和 7 个元素,并可用提示词对已有素材做主体、背景、表情、机位与风格的定向修改。
推荐理由:官方梳理 Kling 4.0 的参考素材、关键帧与定向编辑能力,并给出从分镜到交付的流程建议。
马斯克旗下 Grok 联合 Wonder Studios 与导演戴夫·沃克放出 AI 版《奥德赛》前七分钟,称作该系列第一集。TechCrunch 评价其画面效果优于马斯克近期其他 AI 视频,部分海面航行片段接近真人实拍,但整体缺乏艺术感与感染力,旁白冗长、台词生硬,难以让观众共情。
Aitrepreneur 实测开源 5B 参数图像模型 MOSS Image,称其可在 ComfyUI 本地运行,生成写实照片与奇幻插画,并在多方面优于 Krea 2。作者同时提供配套工作流,支持标准与 Turbo 生成、提示词增强和 LoRA 实验。
创作者为 MOSS Image 发布了一个 16 倍压缩的 LoKR(仅 34 MB),用于迁移 4x5 Kodachrome 胶片的色彩响应与锐度,基于 551 张 4x5 页片扫描训练。
用户 sirdrak 发布了适用于 MiniMax H3 的成熟动漫截屏风格 LoRA,称效果很好,希望借此鼓励大家创作自己的动漫剧集。该 LoRA 的具体参数与获取方式原文未提及。
Licon Studio 于 10 月 23 日在 Hugging Face 发布面向 MiniMax H3 的图生视频 LoRA Licon VBVR,针对同一物体被意外复制、身体穿过道具和动作顺序错乱等问题。
Visage-Image 是一个面向人脸生成的小型文生图模型,作者自建数据集并用 Qwen3.5-4B 等模型打标,还自训了窄域自编码器,在其数据集上 iFID 优于 FLUX.2。
Jack Dorsey 的 Block 发布全双工语音模型 Dessa,官方称其为迄今最逼真的全双工语音模型,对话带有情绪、停顿与自然节奏。该模型从零开始只用人类对话录音训练,未使用文本或预训练模型,可在 M4 Max Mac 或更高配置上实时运行,训练使用一台 NVIDIA GB200 NVL72。目前仅向安全研究员开放内测,公开访问设有 waitlist。
北大、复旦、南洋理工团队在 Open-o3-Video 基础上提出 Open-o3-Video-v2,把视频推理改为“发现信息缺口→主动裁剪片段→定位时空证据→融入推理”的多轮智能体流程。
Kling 4.0 已在 Lovart 上线,单条可生成最长 30 秒片段,并支持 10 个关键帧控制节奏、最多 15 个角色/产品/场景参考素材。官方称其运动更稳定、音频更好、镜头运动幅度更大,Lovart 的 Arti 负责生成分镜清单。
推荐理由:Kling 4.0 在 Lovart 上线,单条可生成 30 秒片段并支持 10 个关键帧与 15 个参考素材,可据此评估长镜头控制能力。
可灵 Kling 4.0 已在 fal 平台公开可用,API 面向所有客户开放。该模型支持最长 30 秒原生视频生成并带音频,最多 15 个图像、视频与元素参考,以及最多 10 个关键帧的精确控制,并改进了运动、角色一致性与电影化叙事。
推荐理由:Kling 4.0 通过 fal 开放 API,原生 30 秒带音频生成与多参考、关键帧控制的变化可供创作者评估接入。
MiniMax H3 光锥版 VBVR 测评显示,其在提示词遵从、空间关系与物理逻辑三方面均有增强。测评围绕该版本的实际生成表现展开,重点验证上述能力的提升情况。
火山引擎正式发布 Seedance 2.5 4K,官方称其是 Seedance 2.5 这一代中最强的模型,强化了人物表情、细微动作与画面细节,并支持 10-bit 色深。该版本支持 Draft 样片模式,可先用 480P 验证分镜、再生成 4K 正片;目前采取定向邀请,优先给到全球 20 家影视工作室和导演用于电视剧、电影镜头前期制作。
Moss SFT int8 合并 stripe fix lora 与 Qwen 9b int8 后,可在单张图内生成故事序列或漫画,并保持同一角色、支持任意风格。创作者称其提示词跟随极细致,配合 dmd2 turbo lora 的实验性 turbo 方法仍速度较快,所有图片为原生 1080p。
腾讯混元开源世界模型 Hy-Nomas,支持用文本提示和相机轨迹进行自由交互,并具备带世界记忆的长时程生成能力。该模型提供面向机器人等垂直领域的轻量 LoRA 适配,经 8 步蒸馏可在单张 RTX 4090 上生成 720p@24FPS 视频,权重已上线 Hugging Face 与 GitHub 并提供在线 Demo。
推荐理由:腾讯混元开源世界模型 Hy-Nomas,支持文本与相机轨迹操控,单张 RTX 4090 即可运行 720p 视频生成。
MossAD Demo 是基于 OpenMOSS 的 MOSS-Image Base 5B T2I 模型的全量微调版本,用 3,685 张图片、57 位画师的小数据集验证风格学习能力。
爆料称字节跳动视频大模型 Seedance 2.5 4K 由火山引擎启动首批企业试用,仅定向供应 20 家头部导演与工作室,不铺量。该版本强化人物微表情、表演细腻度与参考一致性,流程上先用 480P 样片验证再出 4K 正片,目前有 20 部作品在用,最早下个月有卫视 S 级 IP 及全球大 IP 电影播出。