又一个将照片转换成 Three.js 模型的开源工具包：img2threejs。 它还会不断对比渲染结果和原图，自动校准重建质量，尤其适合机械、设备、产品外壳等硬表面物体。 看样子大家做的方向都差不过。 不过，我更关心 AI 什么时候能一句话建模带骨骼的 3D 人物角色呢？

昨天 Meta 开源一个 SAM 3D 模型，完全被 Gemini 3 Pro... 的消息淹没，但我觉得非常值得关注一下。 平时大家看到喜欢的物品想做成 3D 模型，传统建模软件学习成本高、操作复杂，拍多角度照片还很麻烦。 而 Meta 此次开源的 SAM 3D Objects 项目，只需一张照片就能重建出完整的 3D 模型，包括形状、纹理和空间位置。 尤其擅长处理真实场景中的复杂情况，即使物体有遮挡、尺寸很小，或者场景很杂乱也能准确重建，还支持同时重建多个物体并保持它们的空间关系。 GitHub： 此外，项目还提供了在线演示和完整的 Jupyter 示例代码，可以导出 3D Gaussian Splatting（高斯泼溅）格式方便后续处理。 按照文档配置环境后即可使用，非常适合电商产品展示、室内设计、游戏场景制作等需要快速 3D 建模的场景。show more

太牛了，Codex 能直接做 3D 了！！！ 这位大佬用 GPT-5.6 Sol 做了一个 Codex... 插件，只要给它任意一张照片，它就能直接把图里的物体反向编译成纯代码构建的 3D 模型。效果是真的很不错啊。 关键是完全免费，已经开源了，人人都能用。show more

之前用 Seedance 2 做了个做酸菜鱼的视频， 生成到第10秒的时候，美女的手直接伸进滚烫的锅里搅拌。AI完全不知道那样会烫。 当时觉得好笑，后来越想越觉得，这不只是 bug这么简单，现在的 AI 根本还没到理解物理世界怎么运转这一层。... 这半年做了太多AI视频了，每次满心欢喜等它生成，结果经常是人物动作接不上、物体空间瞬移、手还没碰到东西物体就动了，各种幻觉 bug，真的挺折磨。 最近看到黄碧薇教授 Biwei Huang 的 Aether AI 官宣融资，认真看了一下方向，感觉它解释了很多视觉 AI 里反复出现的问题。 Aether AI 做的是因果世界模型。这个词听起来很学术，但放到视频生成里其实很好理解。 今天的视频模型，Sora、即梦、Veo，已经能生成非常真实的画面。杯子掉落、水洒出来、机械臂抓取，看起来越来越像真的。但它们很多时候是在根据海量视频经验预测下一帧，类似画面后面通常会发生什么，就生成什么。 所以桌子高了 2cm，机械臂就可能失效。明明伸过去的角度看起来对，杯子却自己飞起来了。画质够了，数据也不少，但模型没有真正理解这个动作为什么会带来这个结果。 Aether AI想做的，就是让 AI 学到变量之间的底层规律，比如桌子高度变了会带来什么影响，物体受力之后会怎么运动，一个动作会导致什么后果。 这类东西学进去，模型才能在没见过的场景里稳定推演、举一反三。对视频生成、机器人、自动驾驶、3D 世界模拟都会很关键。 视觉 AI 下一阶段的方向，可能就是从生成看起来合理的画面，走向理解画面为什么会这样变化。 黄教授 Biwei Huang 做因果AI 超过 12 年，这次 Aether AI 融资，我觉得是一个值得关注的信号：因果世界模型正在从学术前沿走向产业。 想了解的可以戳一下官网看看：show more

原来 Omma AI 来自新生代 Web 3D 设计与交互工具 Spline Omma是一个用通过对话... 生成 3D 网站、Web App 和交互体验的新工具。 它不只是 text-to-3D，而是把代码生成、图像生成、3D 模型生成和页面部署整合在一起。你可以从一句 prompt 开始，生成 landing page、产品展示页、小游戏，甚至完整的 3D Web 体验。show more

学了十年 Blender 的人，今天都沉默了。 有位开发者开源了个工具，能把任意一张照片变成一个可以走进去的 3D 世界。 而且带有物理碰撞的网格、环境背景 splat、循环音效，全套。只需要 5... 分钟出结果。 它叫 image-blaster。 - 动态物体自动生成 3D 模型，静态场景生成 Gaussian splat - 支持直接嵌进 Unity、Unreal、Godot，或 Blender、Three.js - 底层调了 World Labs、Hunyuan 3D、ElevenLabs，不用手动拼工具链 GitHub： 游戏关卡原型、建筑渲染、机器人训练环境，有图就能跑。show more

谷歌也发布了一个根据输入图片和音频就能生成对应人物讲话视频的项目VLOGGER。看起来没有阿里那个自然。 项目简介： 它可以根据一张人物图像,生成由文本和音频驱动的说话人视频。该方法建立在最近生成式扩散模型取得成功的基础之上。 VLOGGER 包含两个关键组件: 1) 一个随机的人体到 3D 运动的扩散模型;... 2) 一个创新的基于扩散的架构,通过时间和空间控制来增强文本到图像模型的能力。 这种方法可以生成高质量、可变长度的视频,并且可以通过人脸和身体的高级表示进行便捷控制。 与之前的工作相比,我们的方法具有以下优势:不需要为每个人单独训练模型;不依赖人脸检测和裁剪;能生成完整的图像(而非仅限于脸部或嘴唇);适用于广泛场景(如躯干可见或身份多样化),这对于正确合成具有沟通能力的虚拟人至关重要。 项目地址：show more

看到好多人在现有影视作品里截几张图或者截段视频， 然后给Seedance2.0做参考， 生成出来的效果不错就大夸特夸， 但越想越不对， 这模型不就是拿海量的这些作品训练的吗？？ 另外，还是不建议这么玩， 直接用原角色人物，真的极容易有版权风险！ 之前生图，不少人大量用了真实的品牌和产品， 部分账号，就突然无了，... 也许大概和这方面有点关系！ 不管生图，还是生视频， 建议不要拿真实品牌、真实人物去做。 这次我试着不要任何参考图， 只给文字脚本，一次性做出个广告短片。 效果已经相当不错了， 节奏、音效还有特色的“电视广告腔”！show more

我没有GPT 5.6-Sol 的模型 不过我花了一个小时，用完了五个小时的额度，测试了一下GPT 5.6-Terra 的前端能力，效果还是非常不错的，特别是处理抠图的时候非常牛逼 我让它给我做了一个网页：可互动式的三国人物关羽卡片，鼠标拖拽卡片的时候既有镭射的效果，也有景深和透视的效果 各位看官老爷们是否想体验一下？ 我费点功夫把它做成一个三国人物卡片的展览网站如何？

英伟达版的“Banana”，英伟达开源了一款物理级图像编辑模型：ChronoEdit-14B，静态图+一句话，4秒生成一张符合物理的图像 ChronoEdit具备“时间观念”和“物理常识”，它能理解动作，比如说“推倒”、“拿起”这种动作，可以根据它学到的物理常识，画出这个动作发生后，世界应该变成什么样子 8 步扩散完成一次图像编辑，在H100上约4秒一张图 从效果看，预测动作发生结果的能力比较强，改变姿势后，人物、服装、背景风格的一致性也保持的比较好，光影、反射效果处理的也比较符合逻辑 可以用在游戏制作、电影特效、机器人训练等场景上 #ChronoEdit #AI图像编辑

几年前元宇宙火爆，在字节做过3D虚拟人。 那时做一个东西，要协调建模师、绑骨师、贴图师……实在崩溃。 刚试了下 Rodin Gen-2.5，一张图就能生成 3D 资产，太方便了！ 一键下载 obj、fbx、glb等源文件和贴图资源，可以导入到3D软件继续编辑。... 据说 Rodin Gen-2.5 是全球首款实现千万级面数的 3D 生成模型，用了原生 3D 贴图算法，材质纹理超精细，有点遥遥领先。 对游戏、动画、影视等产业来说，这种AI模型产品，是真 · 生产力工具。show more

卧槽，答案终于揭晓了！ 那个在open router上持续霸榜的神秘模型，是阿里推出的全新大模型“蚂蚁百灵”！今天我们来深度聊一聊这个模型。 用过AI来完成前端开发的朋友肯定懂： 要让AI做出想要的UI总是要找参考，再不然就是要依赖设计 skill 的帮助。 但这种界面一旦看多了，就会陷入审美疲劳。 原因在于不管你是对标UI还是使用skill，结果都是被限定在固有的生成范围内。... 最近小灰测了新模型 Ling-2.6-1T （由蚂蚁集团 Ant Ling 开发），发现它刚好就能打破这个限制。 它生成的页面不仅审美极度在线，而且自带高质量的交互效果，做出来的东西终于不再是干巴巴的呆板网页了。 但用它有个必须要避开的坑：Ling 2.6 1T 默认是没有深度思考模式的。 它在计算资源分配上极其克制，如果你偷懒丢一句"给我写个好看的界面"，那么它大概率会给你一个准确但极其敷衍的结果。(视频1) 那么怎么取巧使用它？ 小灰分享一个能逼出它真实设计水平的实操工作流：把它当成主规划师，先拆解风格，再写代码。 跟它对话时，你可以直接下这种指令： 1. 强制思考：先别急着写代码！帮我分析这个产品的定位，明确它的视觉情绪、色彩规范和排版布局，把思路列出来。（比如明确告诉它你要包豪斯风格或者北欧风）。 2. 落地执行：等它把设计语言梳理清楚，你确认没问题了，再让它基于这套标准去生成具体的 TailwindCSS 样式和前端页面。 用这种先 Plan 后做的方式，出来的页面不仅美观，而且风格极其统一。（视频2） 目前在Openrouter中可以免费体验该模型。 选对工具打破模板限制，用高审美的模型直接拔高视觉质感，能帮我们省下大把死磕 CSS 的时间。 期待大家都能快速做出让人眼前一亮的作品！show more

又找到了一晚上卖50w的AI视频项目，我已经部署到本地生成了视频，他不是个客户端，是类似于一堆skill的文件包。 老王之前做一条三分钟产品片子，找素材两天，排节奏一天，加字幕又一天。一个团队折腾一周。 然后我遇到了 OpenMontage。 说实话一开始没抱什么期望。开源视频工具，见多了，十个有八个是套壳。结果跑了一条，调研了grok的api一条命令，三分钟出了三段能直接发的片子。效果很炸。 它到底是个啥。 把你的 Claude 或... Cursor 变成视频制片人。你对着它说一句「做个 60 秒黑洞科普」，它自己去翻论文、写脚本、生成图表动画、扒免费素材、配字幕音乐，最后渲染出片。 不是你点按钮选模板，是每一步它自己做判断。 拆开看三件事。 第一，12 条流水线各管一种片型。explainer 做科普片，clip 做混剪，music 做 MV，data 做数据图表动画。你选对流水线，出来的结构就对了一半。 第二，每条流水线底下是一串 agent Skill——怎么查资料、怎么写分镜、什么时候加转场、字幕压在哪帧。500 个 Skill 叠出来的不是模板库，是决策链。你描述得越具体，它判断得越准。指令模糊，出来的也只能是模糊的东西。 第三，零密钥就能跑。不配任何 API，本地免费模型直接出片。付费版 Runway 干的活它全包了。 我做内容这些年最烦的不是没创意。是找素材卡半天、排节奏卡半天、字幕又卡半天，三个半天过去热情全没了。这东西把执行链里所有决定让 agent 替你做了，你只负责描述要什么。 怎么上手？很简单 我没可以生视频的Key，用网页调用supergrok的Oauth，和OpenMontage结合生成的弹唱视频，整体还是比较满意的。show more

很多精神小妹那照片和长相完全不一样。 照片和视频是3D建模，真人就是2D高P了。 说句玩笑话，如果看她照片，估计她妈都要滴血认亲才能知道这是本人 我几次面基精神小妹，怎么说那，长得稍微和照片差个50%，基本是满身纹身，花臂标配，抽烟喝酒样样会，你都下不去口。 要么就是和照片差100%的，基本上是一模俩样的，对方的长相是可以赔我钱了，算是对我审美霸凌。

Seedance2.0真人照片生成限制 分享下 seedance2.0 绕开真人照片生成视频限制的方法： 1.把你的真人照片，用AI重新生成一遍，可以修改衣服，换背景，AI的图片比较好过审，我是AI生成的，过审相对容易 2.使用APP的创建分身，适用真人出境 3.把你的图片转成手绘电影分镜插画风格，也可以做成三视图，AI更好识别特征， 提示词：图片转成手绘电影分镜插画风格 4.群友Chiphen... 分享的技巧，用校色A B C来代替 使用方法：@图片后加上角色A、角色B，不用人名 #seedance2show more

腾讯混元发布视频生成大模型，千题盲测第一，现已全面开源 模型特点： （1）超写实质感：模型生成的视频内容具备高清质感、真实感，可用于工业级商业场景例如广告宣传、创意视频生成等商业应用。 （2）高语义遵循：用户可以进行细致的刻画，例如生成主体的细节，人物概念的组合等。模型可以准确的表达出文本的内容。 （3）运动画面流畅：可生成大幅度的合理运动，运动镜头流畅、符合物理规律，不易变形。 （4）原生镜头转换：模型原生具备自动生成多视角同主体的镜头切换画面，增强画面叙事感。

Google推出了一种在 StableDiffusion 图像生成中保证内容特征一致性的方式。 这个其实是现在图像生成中一个非常重要的问题，故事可视化、游戏开发资产设计、广告等都需要在生成的时候具备角色或者内容的一致性。 从演示来看效果非常好人物角色和其他内容的特征都保持的非常好，他们有一个示例是一个男人的一生十几张不同年龄段的图片都很像能看出来是一个人。 而且这个项目还可以跟 SD 已有的控制方式结合，比如局部重绘和 Controlnet... 等。下面是具体的介绍： 实现方法： 身份聚类：这一步骤涉及首先生成一系列图像，然后将这些图像嵌入到一个语义空间中。接着，使用聚类算法将这些图像分组，每个组代表一种可能的角色身份。这个过程旨在识别出一组视觉上一致的图像，从而确定角色的主要视觉特征。 身份提取：在确定了一组具有高内聚性的图像之后，接下来的步骤是通过在这些图像上训练模型来提炼出一个更一致的角色身份。这意味着模型将学习到特定角色的关键视觉特征，以便在未来的生成中更准确地重现这些特征。 收敛性：方法的最后一个步骤是迭代过程，该过程在达到一定的收敛标准时停止。在每次迭代中，模型基于最新的训练数据生成新的图像，并重新进行聚类和身份提取。这个过程重复进行，直到模型能够可靠地生成具有一致视觉身份的角色为止。 效果验证： 定性和定量比较：在这一部分，作者将他们的方法与其他个性化文本到图像生成技术进行比较。这包括通过视觉和数值指标来评估生成图像的一致性和质量。 用户研究：作者还进行了一项用户研究，以评估他们的方法在实际使用中的效果。这包括让用户评价生成图像的一致性和吸引力。 消融研究：这部分是对方法中不同组件的效果进行评估。通过修改或移除方法的某些部分，作者能够理解每个组成部分对最终结果的贡献。 论文链接：show more

Codex 5.6 真的要让剪辑师失业了！ 它现在的视频制作能力提升了不止一个档次，直接一句话生成视频！ 重度实测一周，筛选出这 4 个Skill，直接实现全流程闭环： 1️⃣ HyperFrames... （内置插件） 负责整片策划、动效生成、画面合成与最终渲染。它能把文字构思直接转化为高水准的动态视频框架，实现全流程闭环交付。 2️⃣ Remotion （内置插件） 基于 React 模板的视频生成工具。支持通过代码批量生产高质感视频，尤其适合数字人+动效结合的自媒体内容，实现真正的工业化生产。 3️⃣ video-use 专门处理真人素材的剪辑工具。能自动识别镜头、精准卡点并完成后期剪辑，让 AI 具备了职业级的剪辑逻辑。 地址： 4️⃣ Seedance 针对顶级视频大模型的提示词工具。专门生成电影级运镜和实拍感指令，补齐了 AI 视频在审美和镜头质感上的短板。 地址： 现在用 Codex 5.6 + 这4个Skill，从脚本→动效→剪辑→渲染，全程AI闭环。show more

字节跳动这方面确实nb👍 谁也卷不过中国人🤣 刚发布的Seedance 2.0 一键图转视频丝滑无比 而且听说解决了角色一致性的问题 人人都可以漫画转动画了🤣🤣 以后凡人修仙传动画什么的可以自己做了 Ai脱胎换骨快速下沉到生活的方方面面... 量变产生了质变 我们真是见证了一个大时代的来临🎉show more

10月15日 周三🌦️小雨 🤠今天，我好像看清了 Play AI 🎲❣️的价值，静下心来剥离了所有宣传的包装，试看清 #PlayAI 真正的骨架。我发现它的核心可以归结为三个无法被轻易替代的价值点： ✅第一，它卖的不是工具，是省心。... 它的核心产品不是某个具体功能，而是一个结果：将你的时间和注意力还给你。在别人都在教你怎么更复杂地操作时，它直接让你用一句话的指令，替代掉那些重复、耗神的链上操作。关键不在于自动化，而在于无需你再操心。 ✅第二，它构建了可执行的信任。 它解决了AI与区块链之间最根本的隔阂：逻辑与资产的脱节。通过其安全架构，它让一个理性的、永不疲倦的AI智能体，能够在你预设的、透明的规则内，安全地替你管理链上资产。你信任的不再是AI本身，而是你与AI共同认可的那套被锁死的、可验证的执行规则。 ✅第三，它在编织一个自动化网络。 它的终极壁垒不是单个功能，而是可组合性。每一个被创建的工作流和智能体，都能成为网络中的一个节点，相互连接、协作。这意味它的价值会随着用户的创造而指数级增长，最终形成一个任何单一工具都无法比拟的、活的自动化生态。 所以，#PlayAI 的本质，是一个通过安全规则将你的意图转化为链上行动，并能自我演进的省心系统👏👏。 🧐它不是另一个让你去学习的复杂应用，它是一个让你最终可以忘记操作的应用。 最后我们一起观看Play AI 🎲 动画第四集吧！兄弟们互动起来 ！ #PlayAI #PlayAInetwork #GPlayshow more