在 ComfyUI 中试用 MiniMax-H3-Image 与 P-H3-Image 的 2step LoRA
作者在 ComfyUI 中配置并测试了 MiniMax-H3-Image 与 P-H3-Image 的 2step LoRA,生成时间分别为 16 秒和 19 秒,VRAM 均为 21GB。作者认为 T2I 方面 P-H3-Image 更合口味,图像编辑方面 MiniMax-H3-Image 更合口味,并指出高速化 LoRA 在高分辨率生成中似乎有用。
作者在 ComfyUI 中配置并测试了 MiniMax-H3-Image 与 P-H3-Image 的 2step LoRA,生成时间分别为 16 秒和 19 秒,VRAM 均为 21GB。作者认为 T2I 方面 P-H3-Image 更合口味,图像编辑方面 MiniMax-H3-Image 更合口味,并指出高速化 LoRA 在高分辨率生成中似乎有用。
PAN 2 发布,开源 29B 潜在扩散模型,支持最高 20 秒、720p、24fps 视频生成,采用 Apache 2.0 许可证。发布方同时公开训练代码,并提供 Diffusers、FastVideo 和 vLLM 集成。模型让 LLM 生成密集文本状态/脚本,事件和动作定时,相机嵌套在事件下但与动作解耦。
推荐理由:开源 29B 视频生成模型并公开训练代码,创作者可评估其 20 秒 720p 生成能力与 LLM 驱动的脚本级可控性。
作者为 P-JiT 21K 发布 ComfyUI 自定义节点,使这个 2B 参数像素空间文生图模型可直接在 ComfyUI 中运行。节点无需 pip install,提供 bf16(4.4GB)与 int8(2.3GB)权重,int8 约快 1.8 倍,最低 4GB 显存可运行。附带文生图、提示词上采样和精修工作流,精修建议 denoise 0.1-0.2。
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)。
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。
微软团队提出 Code Video Model,由 Coding Agent 将 Prompt 转为 Three.js 程序,把几何布局、物体运动、相机轨迹和事件时序统一为可执行场景表示,预演渲染不到一分钟。
同一新闻,精选展示《微软提出 Code Video Model:用可执行代码控制视频生成》
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。
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。
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。
作者为 MOSS-Image 训练了一个 LoRA,配合 trmz/flux2-klein-alpha 的 RGBA VAE,在提示词末尾加上 isolated on a transparent background 即可从采样器直接得到透明 PNG,无需抠像或色键。
针对 Qwen-Image 2.1 VAE 的 8px 网格问题,社区发布 Texture-Fix 微调版本,仅训练 up_blocks.2/.3,在压低 8px 峰值的同时提升锐度,并让后续卷积层避免该图案进入 RGB 高频。模型已上线 Hugging Face,提供原版与 ComfyUI 版本。
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。
Canva 于 10 月 22 日发布 Craft 图像生成模型,采用先构图规划、后像素渲染的两阶段流程,支持 2K 输出、30 多种宽高比和 55 种语言的图中文字,已通过 Canva Dream Lab 和公开 API 开放使用。
ComfyUI 团队为 MOSS-Image-Base 发布 LoHa 适配器 MOSS Image MAX ULTRA hires,用于提升 4MP 及以上分辨率的生成效果。该适配器使用 3.5MP 至 10MP 的动漫与照片混合数据训练,已上线 Hugging Face。
Fish Audio 发布文本转语音模型 Drama 3,用户可在剧本中用方括号写舞台指示来调整语气、节奏和表演,并支持单词级控制、内联音效与多说话人脚本。模型以 36B 参数开放权重形式发布在 Hugging Face(fishaudio/drama-3),据用户报告全精度运行约需 46GB 显存,社区 4-bit 量化版约 32GB。
推荐理由:Fish Audio 开源 36B 语音模型,用括号舞台指示控制表演,并给出与 ElevenLabs 的基准差异和自托管显存门槛。
Lightricks 在 Hugging Face 发布 LTX 2.5 开源权重,这是一个 22B 参数的扩散模型,可下载到自有 GPU 运行,同时提供 dev 完整版与蒸馏加速版,以及 bf16、int8、nvfp4 量化格式。
推荐理由:Lightricks 把 22B 视频模型连同音频与多镜头能力一起开源,文中拆解了下载包各组件与自托管门槛。
作者为 MOSS-Image 做了一个可视化布局编辑器,用户可画布局框或套用模板、添加元素描述,再由 MOSS 生成成品,无需手写 JSON 或计算边界框坐标。
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。
ComfyUI-Spectrum-MOSS 更新 v0.8.1,重写 ER-SDE 桥接逻辑并新增 euler/er-sde 采样器设置指南,有用户在 3060 12Gb 上测得约 20% 加速。
MOSS Image 的编辑 LoRA 已发布,兼容 Base 与 SFT 两个版本,权重托管在 Hugging Face。作者同时给出 ComfyUI 自定义节点与工作流链接,并称自己用缓存实现了原生版本以加快推理;Kijai 已向 ComfyUI 提交 PR,后续可能获得原生支持。
模思智能开源的 5B 参数文生图模型 MOSS-Image 上线 4 天在海外社区收获 130 万次下载,GitHub 获 1.4k Stars,并登顶 Hugging Face 文生图趋势榜。
推荐理由:5B 参数开源模型上线 4 天获 130 万次下载,社区已产出加速、量化版本与 LoRA,可观察其文字渲染与布局控制的实际表现。
作者为 MOSS-Image 开发了自定义 ComfyUI 节点,把参考图直接送入 Qwen3.5-9B 视觉塔,并将图像嵌入保留在文本条件中,使图像作为提示词的一部分参与生成,而非以 VAE latent 形式输入。节点与工作流已开源于 GitHub,配套使用 Hugging Face 上的 MOSS-Image-SFT-8-steps-dmd LoRA。
ComfyUI 宣布已支持 Hao Ai lab 的 FastH3 OmniRef,该模型面向快速、高质量的视频与音频生成。OmniRef 让它支持多模态参考素材,创作者和团队对生成内容的控制不再只依赖文本提示词;模型可本地运行,团队能在自有硬件上生成并保留素材,无需依赖托管 API。官方同时给出云端入口与 Hugging Face 开放权重链接。
推荐理由:ComfyUI 接入 FastH3 OmniRef,支持多模态参考素材与本地运行,创作者可据此评估自建出片流程。
Hao AI Lab 的 FastVideo 团队开源 FastH3 OmniRef,输入提示词加参考图像、短视频片段或声音即可生成带同步声音的视频。该模型只需 8 步而非 50 步,比基础 MiniMax-H3 最高快 11.9 倍,已进入 ComfyUI 0.42.2 工作流模板,并开放权重与训练代码。
推荐理由:FastH3 OmniRef 以开放权重形式发布,8 步出片并支持 ComfyUI 首日接入,创作者可据此评估本地参考生视频流程。
Bria 发布 FIBO 系列开源模型 Fibo 2.0,8B 参数 flow-matching 架构,用一套权重同时做图像生成与编辑,10 月 18、19 日在 Hugging Face 上传 Fibo 2.0 Dev 与 Fibo 2.0 Edit Turbo 两个 checkpoint。
Hugging Face 宣布 TorchTPU 为 PyTorch 带来原生 TPU 后端,Transformers、Diffusers 和 Kernels 可直接在 TPU 上运行,模型只需指定 device_map="tpu" 即可加载。
pixaroma 在 ComfyUI 中实测 Black Forest Labs 的新图像模型 Flux 3 Klein,配套 19 个免费工作流,覆盖文生图、单图编辑和多图合成。
Hugging Face 的 PyTorch 团队发布 PyTorch 2.15,为 Mac 的 MPS 后端加入 FP8 张量、原生 grouped matmul 与多项 Metal 内核。
ComfyUI 宣布已支持 OpenMOSS 开源图像模型 MOSS-Image,该模型为 5B 规模,可渲染清晰可读的文字并接受结构布局提示。官方已在 Hugging Face 放出对应工作流,面向海报、广告与本地化创意等需要布局控制的出图场景。
推荐理由:ComfyUI 接入开源 5B 图像模型 MOSS-Image,其文字渲染与结构布局控制对海报、广告类出图有直接参考价值。
蚂蚁百灵开源 Ming-3.0 语音系列,共 5 款模型,覆盖语音合成、音频理解与对话、语音识别,采用 MIT 协议并已上线 Hugging Face 与 ModelScope。TTS 支持用文字描述音色,并可通过导演模式控制情绪、重音与节奏;ASR 支持方言、热词与上下文感知。作者给出下载权重、克隆 TTS 仓库并按 README 推理的上手步骤,其中 0.5B 版本最轻量。
TorchNeuron 为 PyTorch 在 AWS Trainium 上提供原生后端,Transformers、Diffusers 等 HF 库可直接运行模型。
DeepSeek 于 10 月 17 日在官网、App 和 API 同步更新 V4.1-Flash-1017,API 模型名仍为 deepseek-flash,调用方式和价格不变,在 Claude Code 框架下 Terminal-Bench 4.0 得分从 31.2 提升至 42.3。
lodestones 于 10 月 19 日发布 MOSS-Image-Base 的全量微调模型 Kromoss,主要针对 Base 模型的模糊问题,沿用 Qwen3.5-9B 文本编码器与 FLUX.2 small VAE,可直接放入现有 MOSS-Image 工作流。
OpenMOSS 发布 MOSS-Image,这是一个 5B DiT 模型,使用 Qwen3.5-9B 文本编码器和 FLUX.2 VAE,分 Base 与 SFT 两个版本,采用 Apache 2.0 协议。
推荐理由:MOSS-Image 以 Apache 2.0 开源并支持结构化布局控制,可对照现有开源图像模型评估文字渲染能力。
ComfyUI 0.42.1 加入 OpenMOSS 团队开发的 MOSS-Image Base 图像生成模型,支持用含坐标的 JSON 指定文字与物体布局,采用 Apache 2.0 许可。
OpenMOSS 团队开源的 5B 文生图模型 MOSS-Image 已可在 ComfyUI 中运行,提供 Base 与 SFT 两个版本。实测在 RTX 4090 上生成耗时 14 秒、占用 15GB 显存,需搭配 qwen3.5_9b 文本编码器与 flux2-vae,并使用 BBOX 节点(需开启 Nodes 2.0 的 Vue 节点设计)。作者评价其画风与文字生成表现不错。
有创作者发布了基于 Qwen-Image-2.1 微调的 rank-64 LoRA,几乎能生成任意姿势,覆盖基础模型较难处理的提示词与构图。该 LoRA 同时适用于文生图和图像编辑,无需单独适配器,测试参数为 25 步、CFG 4.0、LoRA 强度 1.0。目前仍是 v0.1,尚无正式 benchmark,权重与推理代码已公开。
一位用户在 Reddit 的 ComfyUI 板块发帖,询问是否有 ComfyUI Manager 中的扩展能免终端操作,直接粘贴 Hugging Face、Civitai 或 GitHub 链接下载模型、LoRA、checkpoint 并自动放入对应目录。该用户还希望支持填写 API token 认证、在 UI 内管理和删除已下载模型,实现一键式模型下载与管理。
FastVideo 发布 FastH3-QAD-v2,这是一个 8 步视频与音频模型,采用 NVFP4 权重和量化感知蒸馏(QAD)训练,可在单张 Blackwell GPU(RTX 5090、RTX PRO 6000)或 DGX Spark 上运行。
推荐理由:8 步视频与音频模型以 NVFP4 量化权重落到单张 Blackwell 显卡,并给出与 BF16 教师模型的误差数据。