单张 RTX 3090 实测:本地智能体与图像/视频生成的日常使用数据
作者用单张 RTX 3090 24GB 通过换入换出 VRAM 同时运行本地智能体与 ComfyUI 图像/视频生成,实测 LLM 约 72 tok/s、SDXL 图像约 32 秒、Wan 2.2 视频 4-6 分钟。数据来自 205 次真实请求和 35 个渲染任务,非合成基准。作者总结 24GB 只能容纳 LLM 或一次渲染,建议用 parallel 1 而非 4。
作者用单张 RTX 3090 24GB 通过换入换出 VRAM 同时运行本地智能体与 ComfyUI 图像/视频生成,实测 LLM 约 72 tok/s、SDXL 图像约 32 秒、Wan 2.2 视频 4-6 分钟。数据来自 205 次真实请求和 35 个渲染任务,非合成基准。作者总结 24GB 只能容纳 LLM 或一次渲染,建议用 parallel 1 而非 4。
Minimax H3 在 4090 上以 1322x768、24fps、20 步采样、无 turbo 和 LoRA 的设置获得最佳质量,时长通常约 4 秒。放大到 2k 可用 Regenerate 2k(Regen2k IC 刚推出)或 minimax_h3_latent_upscaler_3d_conv_v1_fp16。作者测试 API 1080p 后认为质量提升不值价格。
WakeGPU 是一个免费开源的桌面客户端(macOS 与 Windows),用于将远程云实例变成自动化私人工作室,支持自动空闲关机与批量排队。它 100% 免费、MIT 许可证,所有高级功能开箱即用,无付费墙、订阅或遥测,二进制发布在 GitHub Releases。
MOSS Image 的 4 步 LoRA 已在 iPhone 上运行,DiT 和 TE 采用 4-bit QAD 量化并跑在 GPU 上,VAE 为 fp16 并跑在 Neural Engine 上。
想象一下能回应你的视频。 在我们最新的内部视角中,@Ryan__Stephen,Runway Labs 的设计师和原型师,探索实时视频如何改变我们学习、创作和协作的方式。
World Labs 发布 Atlas 实时研究预览,通过 Frameboy 演示从云端 GPU 流式生成帧到浏览器,最高 15fps。该版本对 Atlas 做了高度优化,保持新视角合成能力;同时集成到 Viewfinder,用户可逐帧构建场景后实时探索。
推荐理由:实时流式生成把探索成本降到近零,创作者可据此评估交互式世界模型对现有工作流的替代潜力。
作者在 MacBook Pro M5 Max 128GB 上全本地完成 46 秒科幻预告片《THE LAST SIGNAL》,全程无云端渲染、无 API 调用,耗时约 14.5 小时(含约 2 小时等待)。
推荐理由:作者公开了从分镜到成片的完整本地管线与真实耗时,创作者可据此评估 MacBook 上复刻同类流程的可行性。
Wave Forcing(WF)提出一种面向实时长视频生成的连续流式生成方法,在 Wan2.1-T2V-1.3B 上以5步去噪保持与 Rolling Forcing 相当的质量并提升动态度。
Kinoloom 是一个基于 ComfyUI 的开源电影工作室,支持 LTX 2.5 无缝长镜头渲染,可在 8GB 显卡上本地运行。它提供视频工作室、图像工作室和电影模式,可用任意 LLM 写故事,并支持 MiniMax H3(需自备权重,因许可限制)。
Wan 2.2 Wild Mode 在本地 PC 上把铅笔素描转成动漫,作者实测后给出 Wild 选风格、Stable Scene 控动作的两步配方。同一提示词下五个种子产出五种风格,其中四个可用;Wild 会自选相机和构图,Stable Scene 从选定帧继续可锁定风格并让角色表演。
作者用 LongCat-Video-Avatar 1.5 在本地 RTX 5090 上制作了 3 分钟音乐视频,并用 Sync 3 完成对口型。工作流采用 INT8 DiT + bf16 蒸馏 LoRA、8 步、SageAttention,T5 卸载到 CPU,480p 25fps 后放大至 1080p。
推荐理由:作者实测 Sync 3 对口型输出提前 63-87ms,用 SyncNet 逐镜头校正后误差降至 3ms 内,方法可迁移到其他对口型流程。
Jack Dorsey 旗下 Block 的研究实验室发布语音模型 Dessa,该模型完全基于人类语音训练,可在单张 NVIDIA GPU 上本地运行,并能同时说话和聆听。Block 称 Dessa 为全双工语音到语音模型,情绪、停顿和笑声等表达内建于模型中,可在 MacBook M4 Max 或更高配置的消费级电脑上运行。目前 Dessa 尚未公开开放,Block 正邀请安全研究人员参与测试。
英伟达将 RTX Remix 升级至 1.6 版本(GitHub 显示 1.6.1),实验性支持 Java 1.21.1 版《我的世界》路径追踪,并引入 DLSS 5 的 3D 引导神经渲染与最高 6 倍多帧生成。
Prime Video 开启第二个 NBA 赛季转播,本季将制作超过 100 场常规赛和季后赛,全部采用原生 1080p HDR 与 5.1 环绕声。核心技术新增 Prime 360,这套基于 AWS Trainium 芯片的 AI 虚拟摄像机系统通过球场四周高分辨率相机重建 3D 场景,生成传统机位无法拍摄的电影级回放角度。
Blackmagic Design 限时八折销售 DaVinci Resolve Studio,价格从 $295 降至 $236,调色面板与剪辑键盘同步八折。
在 AMD XDNA 2 NPU 上运行图像生成模型 Anima,借助 MLIR-AIR 将 Attention 相关处理融合到 NPU 内部执行,512 尺寸生成时间从 35 秒级降至 25 秒级,缩短约 10 秒。
Gradium 开源端侧 TTS 模型家族 Phonon,含 31M 与 40M 两个尺寸,英文版 Phonon 31m 以 Apache 2.0 协议发布,q8 GGUF 文件 64.5 MB,输出 24 kHz 单声道音频。
DirCast 用单一流式视频语言模型同时完成电竞赛事直播的导播与解说:每秒低分辨率扫描全部选手镜头,由 hold-or-switch 导播模块决定是否切镜,再高分辨率读取所选镜头后开口解说。
ai-video-editor 是一款基于浏览器的本地优先开源视频剪辑器,融合多轨道时间线与端侧 AI 推理,可在本地完成剪辑、字幕、抠图等流程。工具集成 Whisper small 做音频转文字并对齐波形字幕,用 MODNet、YOLOS 完成人像抠图与主体避让,内置 MI-GAN 去除水印杂物并配合 NanoVSR 提供 4× 超分。
作者对比了 Wan 2.2 在 Loomance 与 WanGP 两个工具下的渲染效果,发现 4 步 lightning 模式快约 10 倍但错误更多,30 步完整采样更干净。在六狗场景中,WanGP 有 3/5 次角色融化或合并,Loomance 为 0/5;高分辨率单人物场景两者接近。按需选择:快速变化或低显存用 WanGP,保持角色一致用完整采样。
推荐理由:同一 Wan 2.2 模型在两种本地工具下的实测对比,为创作者在速度与保真度之间做选择提供参考。
IT之家实测联想 YOGA Pro 15 RTX Spark,搭载 RTX Spark N1X 超级芯片与 128GB 统一内存,128G 版本售价 42999 元。
CG Channel 汇总了上周未单独报道的 CG 工具更新:Maxon 免费动态图形软件 Autograph 2027.0 新增 MCP Server,可连接 Claude、ChatGPT 等外部 AI 工具。
Perplexity 于 10 月 19 日更新 Computer,向可访问 Computer 的用户提供 Nano Banana 2.1 图像生成与编辑,可在同一对话中追加指令修改。
开源 AI 模组 NPCTalk 为《GTA 5》带来无脚本实时对话,玩家可用麦克风与 NPC 交谈,NPC 以 AI 克隆原声回应。该系统由英伟达 Nemotron ASR、Qwen 3.8 27B(Cerebras 平台)、Fish Audio Drama 3 及 TypeSafe Jev 协同运行,按键通话模式延迟约 1.15 至 2.2 秒。
作者发布开源工具 vhotseat,让本地 LLM 服务器与 ComfyUI 在同一张消费级显卡上轮流占用 VRAM 和 RAM,避免显存溢出。
Speridlabs 发布 3B 参数的扩散 transformer Iris-3B,直接对 RGB 像素去噪,不设 VAE 与潜空间,末端由 4 个 pixel head 把 16×16 patch 还原为像素,文本编码器为冻结的 Qwen3-VL-4B-Instruct。
Reddit 用户发帖讨论为何迟迟没有专为 24-32GB 显存设计的视频生成模型。他指出这一显存区间是普通消费者在游戏/工作 PC 上愿意投入的上限,目前只能塞进量化模型,且往往还得在编码器 LLM 上妥协。
联想YOGA Pro 15 RTX Spark超级AIPC全渠道开售,29999元起,为全球首批搭载NVIDIA RTX Spark N1X超级芯片的本地智能体AIPC。
华硕 ProArt P16 和 P14 笔记本现已在加拿大开售,搭载 NVIDIA RTX Spark 平台,整合 Blackwell RTX GPU、Grace CPU 与第五代 Tensor Core,最高提供 1 petaflop FP4 AI 算力和 128 GB 统一内存。
Adobe 与 NVIDIA 扩大合作,把 NVIDIA RTX Spark 超级芯片引入 Photoshop、Premiere 和 Substance 3D 等智能体创作应用,AI 处理、编辑、调色与特效速度最高提升 2 倍。
Meta 发布开源权重模型 Muse Spark Open,称其为美国最强开源权重模型,采用 8160 亿参数和 100 万 token 上下文窗口,原生多模态,面向复杂编程与智能体任务。
Nvidia 在旧金山 Editor's Day 上发布 RTX Spark 系列笔记本和台式机,主打本地 AI 处理与智能体 AI。SparkN1x 芯片集成 20 核 Grace CPU 与 Blackwell GPU,最高 128GB 统一内存、6,144 CUDA 核心,算力达 1 petaflop NVFP4,性能约为高通最快方案的六倍。
针对 8GB~12GB VRAM 的中低配 PC,可通过让轻量 LLM(如 Ollama、Llama.cpp)常驻并采用 GGUF/AWQ 量化,把语言处理从 ComfyUI 剥离,只留图像生成占用 GPU。
在 ASUS ProArt P16 上,本地运行的 Hermes 智能体(Qwen3.8 27B)可驱动 Blender 完成调暖灯光、改发色、导出前后对比图等简单任务,但复杂多步编辑表现吃力:给模型加小丑妆耗时约半小时仅得近似效果,跨场景搬运物体准备 25 分钟后预估 5-10 分钟完成,实际一个半小时仍未结束。
阶跃星辰开放 Step 5 Preview 官方权重,总参数 600B、激活 27B,支持 1M 上下文,可处理文字与图像理解、编程及长程工具调用,提供 BF16、FP8 权重及 vLLM、SGLang 部署路径。蚂蚁百灵同期开源 Ling-3.1-flash,采用 MIT 许可证,总参数 560B、激活 25B,支持 1M 上下文,面向办公、搜索和编程 Agent 场景,提供混合推理开关。
在 AMD XDNA 2 NPU 上运行 Anima 图像生成,通过调整 MIMALLOC_PURGE_DELAY=0 的设置时机,生成速度从约 60 秒提升至平均 35.81 秒/张,提速约 40%。该优化仅在 NPU 使用时生效,CPU 单独生成平均仍需 55.47 秒/张。目前尚不清楚该设置为何只对 NPU 有效,后续将定量评估功耗。
NVIDIA Broadcast 2.3.0 发布,新增对 RTX Spark 设备的支持,并以测试版形式引入 RTX 视频超分辨率与帧生成两项 AI 效果。该版本可将支持的效果应用到本地媒体文件,支持通过 MCP Server 接入 AI 智能体,音棚音效提供四种专业调校麦克风配置文件。
昆仑万维发布 Matrix-Game 4.0,称其为世界首款运行在单张消费级显卡上的视频大模型游戏,已同步开源。该模型由游戏引擎维护世界状态与交互规则、视频生成模型实时呈现画面,在单张 NVIDIA RTX 5090 上实现 480p、60 FPS 体验,按键到画面响应延迟低于 150 毫秒。
语音控制相机 App Shootsolo 发布 2.0 版本,支持一次拍摄同时保存竖屏和横屏视频,并新增内置提词器、虚拟影棚灯光和背景特效。该版本取消原有积分系统,无广告、无水印、无订阅,可完全离线使用,已在 App Store 和 Google Play 免费上架。
VigenFlow 是一款本地图像生成与编辑服务器,可在 AMD Ryzen AI NPU(XDNA 2)+ CPU 上运行扩散模型,无需独立显卡,支持 Windows 和 Ubuntu。