好玩，不用任何外部美术资源，仅靠代码在 Three.js 里程序化生成一条完整的丛林小径场景。 12000 行手写 JavaScript 搭出一条穿越石质废墟和瀑布的丛林小径，场景里没有一张贴图文件、一个模型或一段录音。树叶、树皮、石头、角色皮肤和全部 60 段音频都在加载时由代码算出来。... 规模上有 423.8 米长的小径、16 个物种共 100799 株植物、536 块逐块侵蚀的石块，还有 22 根骨骼的程序化角色和 15 次 GPU 烘焙产生的 29 张贴图。show more

我开源了我沉淀一年的skill，涵盖写作、深度调研、产品界面优化、代码和文档对齐、角色与文章配图、chatcut自动化剪辑、代码的交付收尾.... 契机: 1.小黄skil篇 陈硕有个设计师小伙伴做了个skill，这个skil是和这个skil是和Ian (伊恩)老师在github上斩获10000stars的小黑skill的共创，出了一个新的形象:小黄 做完才发现，画出一个可爱的角色并不难，难的是:让它在不同文章、动作、场景，甚至2D/3D的变化里，始终还是同一个角色 小黄有固定的角色 DNA：暖黄色种子形身体、爱心天线、椭圆眼睛、腮红和细手脚 它还能读一篇文章，找到真正值得解释的“认知锚点”，再把一个判断、关系或转折画成配图 以下是具体效果和内容呈现👇

李飞飞的 World Labs 发布了他们新的世界模型 Atlas，这个看起来比上一代厉害多了。 通过一张图片就可以创建一个非常完整的 3D 空间场景，你可以在里面随意运动，它也能理解时间的演变规律。 它能将一张或多张输入图像整合进一个共享的空间上下文中，让每张图像都锚定在三维空间中的具体位置，再以此继续生成后续内容，既能保证当前场景的一致性，又能想象出没有看到的内容。... 它主要支持三大任务： 生成图像和视频：能从一张或多张参考图出发，以像素级精确的相机控制生成不同角度的图像或完整视频，最长可输出 1 分钟 1440p 的视频 3D 场景重建：用一张或几十张图片重建真实的 3D 场景，直接生成点云、3D 高斯泼溅（3D Gaussian Splatting）等三维结果（图片越多还原越真实），效果甚至超过了专门针对 3D 高斯泼溅优化的模型 时空仿真：能把几台普通手机拍摄的视频重新取景成“子弹时间”效果，还可以为机器人训练生成测试数据show more

爽了，AI视频终于卷起来了，MiniMax H3 牛逼！！！ Seedance 2.0 30% 的价格 + 2K... 画质 + 原生声音 + 角色一致 + 指令编辑 真香！我来给大家详细讲一讲这个模型： 它原生同时出画面和声音。给一段描述，视频出来自带对话、音效、环境音，不用像以前一样跑完视频再去配 TTS、找音效、对口型。 之前做一条完整有声视频至少串三四个工具，现在一步全出来。光这一个能力就已经省掉巨多时间了。 比如，你设计好一个品牌模特，把参考图喂进去，最多同时喂 9 张图 + 3 段视频 + 3 段音频，模型生成的每条视频里这个人物长相和声音都一致。 而且生成完不满意不用整条重跑，直接说"背景换成卧室""手里的产品换一个"，视频编辑能力 Artificial Analysis 全球第一，不是吹的！ TopviewAI 是首批将将它推向市场的平台，而且Ultra 年费用户60 天无限生成，你就敞开了测到满意为止。show more

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

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

发现一个开源的 AI 视频生成项目，GitHub 已经 7k star 了——InfiniteTalk 它支持图像转视频和视频转视频两种模式，都是语音驱动的。 给一张图片加一段音频，能直接生成说话的视频；给一段已有视频换音频，也能重新配音。... 除了口型同步，还能同时驱动头部运动、身体姿态和面部表情，整体动作会跟着音频联动，不只是嘴在动。 还支持无限时长视频生成，不受时长上限的限制，算是打破了 AI 视频生成的瓶颈。show more

我的天，Higgsfield已经进化到这种程度了吗？ 一年前我 YouTube 做到 15 万订阅，还多亏了 Higgsfield 的帮助。那时候它还只能凑合生成视频，现在竟然已经开始进入游戏开发领域了。。。 ​... ​ 在Claude里面调用Fable 5写代码，再接入Higgsfield MCP生成角色、场景和道具，就能直出任何类型的多人2D/3D游戏！​ ​ 这件事放在以前真的很难想象。​ ​ 过去对我们普通人来说，涉及到复杂代码和角色道具图，开发游戏基本是可望而不可即的事情。 ​ ​ 但是Higgsfield Games 真的在把“做游戏”的门槛压到前所未有的低：一个完整的游戏可以用一句提示词就生成了。​ ​ 比如下面这个哥特悬疑画风的游戏，就是由Fable 5 + Higgsfield 用简单提示词生成出来的。。。​ ​ 所以，任何人，只要有一个好的游戏想法，都可以借助 Fable 5+ Higgsfield 先把它做成一个能玩的版本，然后快速发布出来验证市场。show more

被ETH跌抑郁了，就做了一个打V神/小V的小游戏 vitalik.eth 发泄一下🤣 打了一会儿挺解压的。 用 DAPPOS 的AI——xbubble制作的。 自己是一个代码也没用，也不用自己配置环境，全程就对话。 最初生成的不太好，提出了优化条件试了几次，最后发现，要手动选择Compound... Skill - Bubble Computer这个SOP作成了。 小V的头像随机从土里钻出来，点上去的时候还音效和动画…… 计分功能我都没提，AI自己做的。 有没有ETH深套想玩的?show more

一个叫Luna的虚拟女生，每月靠15秒卧室舞蹈视频赚11万美金。 Luna根本不存在。完全是AI生成的。 幕后操手是个19岁加拿大学生，在自己卧室用Python和RTX显卡撑起整个运营。 头发物理效果靠自定义视频扩散模型逐帧生成。 灯光阴影渲染得像真的坐在房间里，不是贴图。 整个流程全自动：抓热门音乐、生成视频、发到40多个账号。他根本不用动手。 周4000万播放量，零运营成本，没签约没旅程没休息日。 背景那张海报是唯一真实的东西了。

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

卧槽 影眸科技（Hyper3D） 发布的世界生成模型 WorldGen 有点东西 它和其他可交互世界模型有不一样，它可以从一张 2D 图片，生成是一个完整的自带物理规律 3D... 场景 更牛P的是： 每个物体都是独立的：就是场景里的桌子、椅子、小道具都能单独拉出来拆解成科移动、替换或微调的子3D模型。 自带物理规律：模型能理解空间摆放关系，并自动推断出碰撞、质量、摩擦力等属性。 直接对接生产管线：生成的资产可以无缝导入 Blender、Unity 或团结引擎，直接用于游戏关卡搭建、影视制作、XR 内容以及具身智能（机器人/机械臂）仿真训练show more

我去，美团把数字人视频生成模型开源了。外面数字人 Agent 一天卖 50 万，美团直接做了个 LongCat-Video-Avatar 塞进同一个仓库里开源了。 给一张人脸图加一段音频，数字人张嘴念稿，嘴唇、眼神、表情全自动对上。 它不是那种玩具开源，是实打实对标... Sora、Veo3、Kling 那种商业模型。 13.6B 参数，文生视频、图生视频、视频续写，一个模型全干完，720p 30 帧，长视频一口气跑几分钟不崩画质。而且你敢信？推理还比同级快了 10 倍。 坦率的讲，我看到技术报告的时候是有点懵的。因为 benchmark 上它一个 Dense 架构的 13.6B 模型，追着人家 28B 的 MoE 打。更让我愣住的是数字人那块。 你想想看，这事以前怎么搞。 要么自己录真人，要么掏钱买方案，几百块一条起步。现在一个开源模型，丢段文案给 TTS 一念，画面它自己出。而且 1.5 版做了蒸馏，推理从几十步压到 8 步，快了 15 倍。还加了 INT8 量化省显存。 说实话，这种东西别只收藏。 想试的，先跑 一下我下面的文章教程，参考就能部署。 GitHub 搜 meituan-longcat / LongCat-Video，权重在 HuggingFace 上直接下。show more

穿搭玩法已经做到第 4 个模板了。👀 这次继续用 Seedance 2.0， 让角色在一条视频里连续完成 7 套换装。... 不需要真人拍摄 不用搭景、换装、重拍 不需要摄影师、灯光团队 同时完成审美展示、穿搭种草和账号吸粉。🔥 最近已经和群里的小伙伴开始跑账号 一套成熟的模板，就可以不断换角色、换穿搭、持续产出内容。show more

深圳有个22岁的学生，用一部900块的红米手机。 就三月份这一个月，这部手机帮他赚了14700美元。他爸妈到现在还以为他在备考。 手机每隔半小时，自动打开六个中文新闻App。自动翻看新闻标题，截屏，然后把摘要扔给Claude。 AI再把这些新闻和Polymarket上的价格做对比，给出投注建议。 Polymarket→ 整个过程，这个学生一行代码都没写。 靠的是一个开源项目叫PhoneDriver。 原理很简单：AI像人一样看手机屏幕，自己判断要点哪、滑到哪。 你只要用大白话把任务描述清楚就行。... 手机不需要开任何API，也不用接触App的底层代码。模型只看你看到的那些像素。 这个学生的玩法，说穿了也简单。中文新闻是用中文发的。什么监管动作、贸易决策、经济数据，路透社翻译出来之前几个小时，早就挂在微博和今日头条上了。 而Polymarket上定价的，是英语世界的交易员。中文新闻出来，到市场反应之间，有20到50分钟的时间差。 他用的六个App里，有三个对爬虫见一个封一个。 但PhoneDriver不解析数据，它就像正常人一样用App，只不过比人快，而且不休息。 96%的移动应用都没有公开的API。但每个应用都有屏幕。对PhoneDriver来说，这就够了。show more

深圳有个22岁的学生，用一部900块钱的红米手机，就三月份这一个月，愣是帮他赚了14700美元，他爸妈到现在还以为他在备考呢。 手机每隔半小时，自动打开六个中文新闻App，翻看新闻标题、截屏，然后把摘要扔给Claude。AI再把这些新闻和Polymarket上的价格做对比，给出投注建议。 👉 Polymarket官网入口： 整个过程，这个学生一行代码都没写。靠的是一个开源项目叫PhoneDriver。原理很简单：AI像人一样看手机屏幕，自己判断要点哪、滑到哪。你只要用大白话把任务描述清楚就行。手机不用开任何API，也不用碰App的底层代码，模型只看你看到的那些像素。 这个学生的玩法，说穿了也简单。中文新闻是用中文发的，什么监管动作、贸易决策、经济数据，路透社翻译出来之前几个小时，早就挂在微博和今日头条上了。而Polymarket上定价的，是英语世界的交易员。中文新闻出来，到市场反应之间，有20到50分钟的时间差。 他用的六个App里，有三个对爬虫见一个封一个。但PhoneDriver不解析数据，它就像正常人一样用App，只不过比人快，而且不休息。96%的移动应用都没有公开的API，但每个应用都有屏幕。对PhoneDriver来说，这就够了。 如果想在Polymarket上使用跟单交易，我推荐使用：

一个14岁的中国学生，从网上淘了点零件：一块4美元的树莓派Zero，一块3美元的PiSugar电池，再加一块6美元的3.5寸小屏幕。总共13美元，一个从速卖通发来的包裹。 他自己动手焊接、组装好，装上Ollama，塞进去一个Gemma 2b模型——全程不用联网，没有服务器，不花订阅费，也不需要什么API密钥。 然后，他就用这个巴掌大的小东西，把GTA VI的预alpha版给撬开了。那个Rockstar捂得严严实实、外人根本碰不到的版本。 屏幕上跳出了调试控制台，Lucia的物品栏，水体的物理参数……全是只有开发者才能看见的东西。 Rockstar花了十年，两千号工程师守着那个版本。 这孩子就花了13美元和几个晚上。

刚看到 Fable 5 在波音 747 建模测试上的表现，真的有点吓人。 这不是简单的画图，而是用 Three.js 写的完整... 3D 模型： - 机身、机翼、尾翼结构完整 - 四个引擎、起落架、舷窗细节到位 - 红蓝条纹涂装、蓝色尾翼配色准确 - 可以 360° 旋转查看，光影效果在线 关键是，这只是一个 prompt 生成的代码。 以前做这种 3D 展示，得找专业建模师用 Blender/Maya 建好模型，再导入引擎。 现在 AI 直接写 Three.js 代码，浏览器就能跑。 这已经不是"辅助编程"了，这是直接替代了一整个工作流。 你们觉得这种 3D 建模能力，能用在哪些场景？show more

小白们辛辛苦苦 Vibe coding 出来的网站，可能只是程序员们的玩物罢了🥲 今天早上在个人站上面加了一个「催 Penny 写代码」的模块，顺便抓取了 GitHub 的日历。扬言「被催多少次，就写多少天代码」。... 体验网址： 当时采用的是 来计数，前端限制了 IP 的 limit，结果一个没注意，就被我的程序员朋友「攻击」了，他直接调用了 API 给我刷赞。 我说：这也太狠了，能不能停一下，我不想写十年代码。 他说：不行，我已经出门了，你自己解决吧。 后来问了 AI 赶紧把 换成了 Vercel + Upstash Redis 🥲 朋友美其名曰：你早晚要接触 DDoS 的，不如现在就学一下。 对所有学习 AI 和 Vibe coding 的朋友提个醒： 提防你身边的程序员！😃show more

用了一段时间 Seedance 2.0，我用了几百次，试着做了短剧、商业广告、文旅宣传片、生活互动小视频、个人vlog，聊点真实感受。 AI 视频从"生成"进入了"创作"时代。以前我们在"用 AI 做视频"，现在是"用 AI 拍片"。... 它重塑的不是某一个功能，而是整个创作流程： 以前你得分别处理文案、素材、剪辑、音效，现在你把想法、参考图、一段旋律一股脑丢给它，出来的东西——是一个完整的、有声音的、有叙事的视频。 最让我意外的是它的理解力。你用自然语言描述"主角从疲惫切换到放松的表情变化"，它真的能演出来。不是那种僵硬的 AI 味表演，是有节奏的、有呼吸感的。 说"划时代"可能有点大，但至少有三件事回不去了： 不会再接受"角色换个镜头就变脸" 不会再接受"视频和声音各做各的" 不会再接受"只能靠文字描述，不能喂参考素材" 这才是 AI 视频该有的样子。show more

YouMind 一键生成 ppt 的效果，现在在市面上几乎没有对手。 我把自己的血糖检测与饮食数据同时给给到 ChatGPT 和 YouMind，同样的指令：根据数据报告生成一份精美的、可视化的ppt，给医生看。 背后的生图模型都是gpt-image-2.0，对两者均没有做额外的风格指令、或指定任何skill，可以看到明显的交付区别。 YouMind的产出不仅美观、而且还考虑到了医患场景下的专业度、简洁度、和规范视觉。而GPT的嘛...已无力吐槽。