SpecSlot:读取、分配、路由——面向像素空间生成 Transformer 的角色耦合分词
SpecSlot 是一种像素空间整流流 Transformer,通过角色耦合分词将输出细节与全局注意力序列长度解耦。在 ImageNet-512 上,SpecSlot 将 FID 较对照提升 2.84,同时减少 3.9% FLOPs;在文本到图像生成中,DPG-Bench 分数超过 JiT-B/8 1.06,前向成本降低 40.6%。
SpecSlot 是一种像素空间整流流 Transformer,通过角色耦合分词将输出细节与全局注意力序列长度解耦。在 ImageNet-512 上,SpecSlot 将 FID 较对照提升 2.84,同时减少 3.9% FLOPs;在文本到图像生成中,DPG-Bench 分数超过 JiT-B/8 1.06,前向成本降低 40.6%。
NoobGamerZaid 发布 Phaino,一个基于 ComfyUI 的开源 AI 图像与视频工作室。它支持 FLUX、Wan 2.1/2.2、HunyuanVideo 等开源模型,提供一键相机运动、角色替换、视频工具和内置时间线编辑器,每个结果都是可编辑的 ComfyUI 工作流,可连接 Comfy Cloud 或本地 ComfyUI。
推荐理由:开源工作室把 ComfyUI 工作流封装成可编辑的完整流程,创作者可据此评估本地化 AI 影视制作与出片效率,并复用其模型接入方式。
MOSS-Image int8 在 ComfyUI 上生成 1024x1024px 图像,默认设置(prompt enhancer 开启)耗时 426 秒;关闭 prompt enhancer 后降至 122 秒,调整年龄参数(15-19岁)后约 117-121 秒。生成图像真实感较高,与 Krea2 相比风格更硬朗。
作者对比无 LoRA 与角色 LoRA 的生成效果:无 LoRA 时每次运行得到不同女孩,角色 LoRA 在不同场景保持同一张脸、卷发和身体。作者建议把 20 张缩略图放在手机大小的网格中整体判断一致性,并指出头发和身体同样会暴露不一致。
pixaroma 发布 ComfyUI 节点解释视频,讲解 CLIP Text Encode 如何将提示词转为模型指令、正负提示词工作机制及 CFG 1 下负提示词失效的原因。视频还说明 Z-Image 和 Flux 2 Klein 上提示词权重被忽略,并演示随机选择 {red|blue|green} 与注释两个技巧,全程使用 Z-Image Turbo。
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。
作者实测了 Bria AI 的 Fibo 2.0 Dev 与 Edit Turbo,在 ComfyUI 中验证其 VGL 结构化提示词与 PE 提示增强。Edit Turbo 在 RTX 4070 Ti SUPER 上 PE 固定后约 4.7 秒完成编辑,Dev 约 92 秒;作者认为 Qwen Image 2.1 编辑更顺手。
作者开源了基于 ComfyUI 的影视制作应用 Director's Cut,支持预设角色创建与视频工作室。应用使用 Qwen-Image 2.1 生成和编辑图像,MiniMax H3 生成视频并可选 OmniRef,还集成 MCP 服务器供 AI 助手调用。
Higgsfield AI 与 Magnific 的 2026 年对比显示,前者专注电影制作与角色一致性,后者侧重品牌管理与协作,两者均提供 Kling 3.0、Seedance 2.5、Veo 3.1 等模型。
作者在 MiniMax H3 上训练带纹身的 LoRA 角色,历时一周未成功,纹身位置正确但结果混乱模糊。尝试了 regular H3 和 ref model、线性秩 8-128、学习率 0.0003、分辨率 256-1280、30 张高清特写照片加 3 个视频,训练至 20000 步,仍未让模型记住纹身。
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。
Foundry 发布 Nuke 18.0 开放测试版,新增 Griptape 节点,让合成师可在 Nuke 节点图中直接执行生成式 AI 图像和视频工作流。Nuke Studio 新增自动剪切检测和注释工具更新,3D Gaussian Splats 工作流也有改进,并支持 RED 相机、Nikon N-RAW 和 H.265/HEVC 媒体。
ComfyUI 试用 MOSS-Image 的 MAX ULTRA hires LoRA,用于高分辨率图像生成,可防止无 LoRA 时生成人数过多。在 RTX 4090 环境下,生成耗时 140 秒,占用 VRAM 20GB。作者认为生成速度偏慢,需搭配高速化 LoRA,但会降低文字和细节质量。
开发者 ItsBalanse 开发了一个以 ComfyUI 为后端的一键式图像、视频和音频生成应用 try2create,用户只需按按钮即可生成,无需处理底层工作流。
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。
作者分享了用 ComfyUI 制作肩扛大镰刀的死神角色的完整工作流,使用 Animagine XL 4.0 Opt 模型,通过局部重绘保留满意姿势、只修面部与服装,并附上 6 个 JSON 和输入图片。文章对比了不同标签对姿势、表情和照明的影响,并给出部分修正的详细步骤。
RoboNeo用AI帮助中小商家低成本做IP营销,一句话即可生成专属IP角色,并用于短剧、爆款复刻和表情包制作。用户无需设计或剪辑经验,通过四步流程即可完成从IP创建到内容产出。一次投入即可获得“IP设计师+编剧+动画师+剪辑师”的全套团队,所有作品自动沉淀为品牌资产。
作者实测 RTX 5060(8GB VRAM)跑 ComfyUI 图像生成:Anima 单张 57 秒,Qwen-Image 2.1 参考生成单张 47 秒。本地 LLM(Ollama 的 gemma4:12b-it-qat)仅 14 tok/s,成为组合使用时的速度瓶颈。作者还测试了自家小说生成工具 Inkubus,1 万字约 14 分钟,但 12b 模型质量有限。
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。
作者用本地图像生成模型 MOSS-Image 生成黑白漫画单页与跨页,并分享保持角色一致性的三项 prompt 技巧,即固定角色描述文、整体声明角色、每个面板嵌入相同描述。结果两个角色到最后都保持区分,跨页大格也成功;文字基本准确,但复杂汉字偶有误写、未指定效果音会被添加。
Apple Creator Studio 更新,Pixelmator Pro 新增 Generate Fill,可基于文字描述重建图像选定区域。Final Cut Pro 内置 MotionVFX 特效,Logic Pro 新增基于 Apple 自家模型和 OpenAI 的 AI 助手,更新 11 月免费推送。
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。
作者在 ComfyUI 中试用 Anima-Ref-Adapter 自定义节点,该节点可继承参考图像角色的发型、服装、鞋和眼睛颜色等特征生成 Anima 图像。
作者用 Claude 编写提示词、ComfyUI 生成图像,3 天验证 12 个风景题材,发现人物相关描述混入导致画面出现怪物和手。调整后怪物减少,但“黄色路面电车”被生成为黄色生物,说明颜色与对象的关联难以控制。作者据此总结七条检查规则,并与 ChatGPT 版本对比。
ChatGPT 擅长起草、研究、编程、文件分析与图像创作,但复杂视觉项目或需专用工具。评测对比了 ChatGPT Images 2.5 的对话式生成与编辑,以及 Kling IMAGE 3.0 Omni(支持 10 张参考图、Image Series、原生 2K/4K 输出)和 Kling 4.0(Omni Reference 支持 15 个参考资产、3-30 秒视频生成)。
Runway 推出 App Studio,用户可用自然语言描述需求,无代码构建带独立界面的自定义创意应用,生成图像、视频和音频。App Studio 内置 Character Swap、AutoComp、Product Portfolio 等应用,基于 Brand Kits、Workflows 和 Assets 构建,已包含在所有付费计划中,消耗现有 Runway 积分。
推荐理由:Runway 的 App Studio 把无代码应用构建带入创意工作,团队可将多年沉淀的工作流和品牌标准变成人人可用的工具,降低对个别高手的依赖。
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。
推荐理由:免费 MIT 协议的工作流把胶片模拟、镜头选择与本地 LLM 提示词生成整合进单一控制面板,创作者可直接复用或参考其设计。
Luma 面向电影人的 AI 工具(Ray 3.2、Camera Angles、Light Transfer、Face Swap)已成熟为生产级工具,可将前期制作时间缩短最多 80%。
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。
可灵官方博客发布搞笑 AI 图片创作指南,基于 Kling IMAGE 3.0 Omni 给出 12 个创意方向和 6 条可自定义提示词,涵盖动物上班、食物拟人、历史人物穿越现代等场景。该模型支持最多 10 张参考图、原生 2K/4K 输出,并可通过 Image Series 保持系列图片风格一致。
Canva 于 10 月 22 日发布并上线自研图像生成模型 Canva Craft,采用先规划构图、再渲染图像的两段式结构,最高支持 2K 分辨率和 30 种以上宽高比。文章提出在制作现场引入前应验证 8 项内容,包括文字准确性、构图可复现性、Magic Layers 编辑能力、人物与小物一致性、局部修改稳定性、交付尺寸、权利与成本。官方未保证特定角色每次生成同一张脸,需以实际输出确认。
ComfyUI Comic Creator 更新至 v1.64.0,新增 OCR 与 MOSS-Image 标签页杂志封面/海报模式的联动,可生成整体提示词并保存至 workflow studio 的 cc_moss 文件夹。
作者在 ComfyUI 中实测阿里 Qwen 团队的 Qwen Image 2.1,用单个 7B 模型完成文生图、最多 10 张参考图的多图编辑和原生 RGBA 透明抠图。
推荐理由:作者实测 Qwen Image 2.1 在 ComfyUI 中的多图编辑与透明通道输出,并给出可直接复用的提示词公式与参数设置。
作者发现 ChatGPT 生成一重眼皮男性画像屡屡失败,原因是对话 AI 把用户强调的“一重眼皮”详细条件压缩成 monolid eyes 一词,还自行添加了未指定的服装与演出细节。改用推理性更高的模型后情况有所改善,但图像生成环节仍可能忽略该特征;作者建议检查对话 AI 实际传给图像生成 AI 的指令。
面向用 Midjourney 和 PixAI 制作背景的用户,这篇实用指南按官方帮助整理了两种去除多余元素的路径:生成前在 Midjourney 提示词末尾加 --no people。
作者用 Claude 为 ComfyUI 搭建自动化流程,在 16GB Mac 上凌晨 1 点半自动排队生成 18 张水彩测试图,早 7 点 41 分全部完成。指定赤毛的角色在标签版中却大量出现白发、银发,LoRA 减弱后依旧如此,原因尚未确认。作者最终采用标签版,并将 auburn hair 写入角色设定表、把 white hair 和 silver hair 列入负面项,待下次生成验证。
社区作者 akhaliq 发布 MOSS-Image-Edit-HQ v5,用 ConceptEdit-12M 等数据重建 MOSS-Image 的指令编辑能力,并将参考图 token 预算从 144 提升到 256。
OpenFill 现已作为 PhotoCraft 面板运行,与 GIMP 插件共用引擎,通过自有 ComfyUI 提供生成式填充(最多 5 个变体)、物体移除、生成式扩展和文生图。
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。