Video yükleniyor...

Video Yüklenemedi

Bu video yüklenirken bir sorun oluştu. Bu geçici bir ağ sorunundan kaynaklanıyor olabilir veya video kullanılamıyor olabilir.

Ana Sayfaya Dön

基于 Nous Research Hermes Studio /MoA 多模型协同机制。 /MoA = DeepSeek + GLM-5.2 的组合同样能够产出高水准的动态网页作品。虽然整体生成周期相对较长，过程中存在一定的冗余输出，但最终成品在视觉表现、交互体验和完成度方面均具备较好的水准。 Teknium 🪽

libapi

28,944 subscribers

21,576 görüntüleme • 1 ay önce •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 Yorum

Yorum bulunmuyor

Orijinal gönderinin yorumları burada görünecek

Benzer Videolar

使用AI生成3D模型，最终利用comfyUI渲染输出成片的工作流全过程以下是GPT4总结的制作流程： 1. 文本到3D生成在LumaLabs使用Gini文本到3D：访问LumaLabs网站，选择Gini文本到3D功能，输入如“Naruto T-pose”的描述性文本提示生成3D模型。预览和调整：预览生成的3D模型，根据需要调整文本提示或使用提供的选项重新生成以获得满意的结果。 2. 导入和编辑模型导入模型到Blender：将生成的3D模型（如身体、头部和手部）导入到Blender中。调整模型位置和比例：在Blender中调整各个部分的位置和比例，确保模型的整体协调。组合和调整细节：将不同的部件（头部、手部等）组合成一个完整的模型，对模型的姿态、细节进行必要的调整。模型优化：对模型进行必要的优化，包括调整网格和重新拓扑（如果需要），以便于动画处理。 3. 动画和导出应用骨骼和动画：将调整好的3D模型导出为FBX文件，然后在Mixamo网站上应用自动骨骼绑定和选择动画。导入动画到Blender：将带有动画的模型重新导入到Blender中进行进一步的编辑和调整。 4. 进一步编辑动画循环设置：在Blender中设置动画循环，确保动画可以平滑地循环播放。相机和光照设置：调整相机角度和光照设置，以改善动画的视觉效果和氛围。渲染设置：调整渲染设置，包括分辨率和渲染引擎设置，以获得高质量的动画输出。 5. 最终渲染和后处理渲染动画：在Blender中渲染完成的动画，导出为视频文件。后处理：可选地，将渲染完成的视频导入到Comfy UI或其他视频编辑软件中进行后处理，添加背景、特效和其他视觉元素，以完成最终的动画作品。通过这些具体的小步骤，从文本描述到完成的3D动画的整个制作过程被详细地概述和解释，为想要学习这一流程的人提供了一份详细的指南。

使用AI生成3D模型，最终利用comfyUI渲染输出成片的工作流全过程以下是GPT4总结的制作流程： 1. 文本到3D生成在LumaLabs使用Gini文本到3D：访问LumaLabs网站，选择Gini文本到3D功能，输入如“Naruto T-pose”的描述性文本提示生成3D模型。预览和调整：预览生成的3D模型，根据需要调整文本提示或使用提供的选项重新生成以获得满意的结果。 2. 导入和编辑模型导入模型到Blender：将生成的3D模型（如身体、头部和手部）导入到Blender中。调整模型位置和比例：在Blender中调整各个部分的位置和比例，确保模型的整体协调。组合和调整细节：将不同的部件（头部、手部等）组合成一个完整的模型，对模型的姿态、细节进行必要的调整。模型优化：对模型进行必要的优化，包括调整网格和重新拓扑（如果需要），以便于动画处理。 3. 动画和导出应用骨骼和动画：将调整好的3D模型导出为FBX文件，然后在Mixamo网站上应用自动骨骼绑定和选择动画。导入动画到Blender：将带有动画的模型重新导入到Blender中进行进一步的编辑和调整。 4. 进一步编辑动画循环设置：在Blender中设置动画循环，确保动画可以平滑地循环播放。相机和光照设置：调整相机角度和光照设置，以改善动画的视觉效果和氛围。渲染设置：调整渲染设置，包括分辨率和渲染引擎设置，以获得高质量的动画输出。 5. 最终渲染和后处理渲染动画：在Blender中渲染完成的动画，导出为视频文件。后处理：可选地，将渲染完成的视频导入到Comfy UI或其他视频编辑软件中进行后处理，添加背景、特效和其他视觉元素，以完成最终的动画作品。通过这些具体的小步骤，从文本描述到完成的3D动画的整个制作过程被详细地概述和解释，为想要学习这一流程的人提供了一份详细的指南。

Yangyi

25,503 görüntüleme • 2 yıl önce

空间智能赛道刚刚又出了新模型：Moonlake，能生成3D世界，还能同时处理物理、声音、逻辑规则等多种模态与李飞飞的World Labs不同的是，World Labs偏场景生成，Moonlake更重交互，更像是在构建一个可交互、物理正确、逻辑完整、视听一体的“活世界” 给定一句“在街机室里做一个赛博朋克风格的保龄球游戏”需求它能自动拆解成生成3D模型、加物理、摆位置、写规则等10个阶段，自主完成从零到一的开发过程输出一个实时可玩的虚拟保龄球馆，能交互，拿球、投掷、有声音、有分数变化，所有东西都按物理规律运作的核心机制是所有模态绑定在同一个实体上，一次事件，比如球击中瓶子时，位置、物理状态、分数、音效等全模态同步更新对于做游戏的，原来要用一个团队干的活，现在可能一个人就能完成对于老师，几句话生成学生能实时交互的物理实验场景 #世界模型生成 #Moonlake #WorldLabs #空间智能

空间智能赛道刚刚又出了新模型：Moonlake，能生成3D世界，还能同时处理物理、声音、逻辑规则等多种模态与李飞飞的World Labs不同的是，World Labs偏场景生成，Moonlake更重交互，更像是在构建一个可交互、物理正确、逻辑完整、视听一体的“活世界” 给定一句“在街机室里做一个赛博朋克风格的保龄球游戏”需求它能自动拆解成生成3D模型、加物理、摆位置、写规则等10个阶段，自主完成从零到一的开发过程输出一个实时可玩的虚拟保龄球馆，能交互，拿球、投掷、有声音、有分数变化，所有东西都按物理规律运作的核心机制是所有模态绑定在同一个实体上，一次事件，比如球击中瓶子时，位置、物理状态、分数、音效等全模态同步更新对于做游戏的，原来要用一个团队干的活，现在可能一个人就能完成对于老师，几句话生成学生能实时交互的物理实验场景 #世界模型生成 #Moonlake #WorldLabs #空间智能

AIGCLINK

10,987 görüntüleme • 5 ay önce

Qwen-3.8 发布两天，实测体验来了。第一时间订阅了 Token Plan，并在 Qwen Code 环境下进行了对比测试。 📊 实验对照：第一次（弱提示）：仅给出一句话模糊需求，生成效果较为平庸、模式化。第二次（强结构）：清晰梳理功能模块、交互逻辑、图片规则及页面结构。模型对长任务的指令遵循度表现极佳，最终成功交付了一个完整的可操作系统。核心体验： 1. 推理与生成速度：即便面对超长 Prompt 和多页面构建，整个生成过程依然流畅，耗时17分钟，等待延迟相比 kimi k3（52分钟）、grok 4.5（26分钟）小很多。 2. 长任务执行力：后加的交互细节与模块划分，基本都高水准地落到了最终成品中。最后：还是那句话，模型能力固然重要，但想让模型稳定交付复杂任务，需求本身也得足够清楚。把目标、模块和规则拆明白，Qwen 3.8 确实能把复杂任务推进得又快又完整。越来越期待它接下来的开源评测了！以上。附上两次生成过程和最终效果👇

Qwen-3.8 发布两天，实测体验来了。第一时间订阅了 Token Plan，并在 Qwen Code 环境下进行了对比测试。 📊 实验对照：第一次（弱提示）：仅给出一句话模糊需求，生成效果较为平庸、模式化。第二次（强结构）：清晰梳理功能模块、交互逻辑、图片规则及页面结构。模型对长任务的指令遵循度表现极佳，最终成功交付了一个完整的可操作系统。核心体验： 1. 推理与生成速度：即便面对超长 Prompt 和多页面构建，整个生成过程依然流畅，耗时17分钟，等待延迟相比 kimi k3（52分钟）、grok 4.5（26分钟）小很多。 2. 长任务执行力：后加的交互细节与模块划分，基本都高水准地落到了最终成品中。最后：还是那句话，模型能力固然重要，但想让模型稳定交付复杂任务，需求本身也得足够清楚。把目标、模块和规则拆明白，Qwen 3.8 确实能把复杂任务推进得又快又完整。越来越期待它接下来的开源评测了！以上。附上两次生成过程和最终效果👇

Lonely

78,443 görüntüleme • 29 gün önce

LivePortrait：只需一张静态肖像图像就能生成动态视频能够精确控制眼睛的注视方向和嘴唇的开合动作。还可以处理多个人物肖像的无缝拼接，将不同的人物特征合并到一个视频中，确保在多个动态人物之间过渡平滑，不会产生突兀的边界效果。对比实验显示，LivePortrait生成的动画质量优于现有的非扩散模型和扩散模型方法。在RTX 4090 GPU上，LivePortrait的生成速度达到了每帧12.8毫秒，显著高于现有的扩散模型方法。详细介绍：项目地址：

LivePortrait：只需一张静态肖像图像就能生成动态视频能够精确控制眼睛的注视方向和嘴唇的开合动作。还可以处理多个人物肖像的无缝拼接，将不同的人物特征合并到一个视频中，确保在多个动态人物之间过渡平滑，不会产生突兀的边界效果。对比实验显示，LivePortrait生成的动画质量优于现有的非扩散模型和扩散模型方法。在RTX 4090 GPU上，LivePortrait的生成速度达到了每帧12.8毫秒，显著高于现有的扩散模型方法。详细介绍：项目地址：

小互

59,918 görüntüleme • 2 yıl önce

Google 推出 Gemini 2.5 Computer Use 模型今年早些时候，Google 就宣布了将通过 Gemini API 为开发者带来直接操控电脑界面的 AI 能力。今天，Google 正式推出了 Gemini 2.5 Computer Use模型（Gemini 2.5 Computer Use model）。这个专门的模型基于 Gemini 2.5 Pro 强大的视觉理解与推理能力构建，可以让 AI 智能体像人类一样，直接点击、滚动、输入文字，实现与网页或应用的交互。这一技术在多个网页和移动端界面的任务基准测试中，表现超越了当前领先的同类产品，而且反应速度更快。开发者们现在就可以通过 Gemini API，在 Google AI Studio 和 Vertex AI 中提前体验。

Google 推出 Gemini 2.5 Computer Use 模型今年早些时候，Google 就宣布了将通过 Gemini API 为开发者带来直接操控电脑界面的 AI 能力。今天，Google 正式推出了 Gemini 2.5 Computer Use模型（Gemini 2.5 Computer Use model）。这个专门的模型基于 Gemini 2.5 Pro 强大的视觉理解与推理能力构建，可以让 AI 智能体像人类一样，直接点击、滚动、输入文字，实现与网页或应用的交互。这一技术在多个网页和移动端界面的任务基准测试中，表现超越了当前领先的同类产品，而且反应速度更快。开发者们现在就可以通过 Gemini API，在 Google AI Studio 和 Vertex AI 中提前体验。

宝玉

66,158 görüntüleme • 10 ay önce

OpenAI 新发布的 AI 智能体，把之前的 Operator （网页操作智能体）、Deep Research（深度研究）和 Codex （终端智能体）三合一了，并且运行在一个虚拟机中，可以灵活的组合这些子智能体共同完成任务，扬长避短！

OpenAI 新发布的 AI 智能体，把之前的 Operator （网页操作智能体）、Deep Research（深度研究）和 Codex （终端智能体）三合一了，并且运行在一个虚拟机中，可以灵活的组合这些子智能体共同完成任务，扬长避短！

宝玉

104,248 görüntüleme • 1 yıl önce

挺吓人的，英伟达新发布的模型NitroGen混成了游戏界的“六边形战士”，几乎啥都能玩，水平还不低。在收集筛选了40000小时、涵盖1000余款不同种类的游戏视频后训练出来的NitroGen能在多种不同类型的游戏场景中均表现出较强能力，包括：3D 动作游戏中的战斗对抗，2D 平台跳跃游戏中的高精度操作，以及程序生成世界中的探索任务。更重要的是，NitroGen 能够有效迁移到从未见过的新游戏。在相同任务设定下，其任务成功率相比从零开始训练的模型，最高可实现 52% 的相对提升。这里面很多游戏我还真认识，不是特别要操作的，就是玩着玩着会迷路的，我是甘拜下风了，大家觉得呢？

挺吓人的，英伟达新发布的模型NitroGen混成了游戏界的“六边形战士”，几乎啥都能玩，水平还不低。在收集筛选了40000小时、涵盖1000余款不同种类的游戏视频后训练出来的NitroGen能在多种不同类型的游戏场景中均表现出较强能力，包括：3D 动作游戏中的战斗对抗，2D 平台跳跃游戏中的高精度操作，以及程序生成世界中的探索任务。更重要的是，NitroGen 能够有效迁移到从未见过的新游戏。在相同任务设定下，其任务成功率相比从零开始训练的模型，最高可实现 52% 的相对提升。这里面很多游戏我还真认识，不是特别要操作的，就是玩着玩着会迷路的，我是甘拜下风了，大家觉得呢？

傅盛

195,867 görüntüleme • 8 ay önce

Codex 5.6 之后，AI 视频制作开始进入“流水线时代” 以前做一个视频，需要脚本、设计、剪辑、后期多个工具来回切换。现在通过几个 Skill 组合，AI 可以直接完成从创意到成片的完整流程。这次测试下来，比较关键的 4 个 Skill： 1️⃣ HyperFrames(内置插件) 负责整体策划、动效生成、画面合成和最终渲染，把文字构思转成完整的动态视频框架。 2️⃣ Remotion(内置插件) 基于 React 的视频生成工具，适合需要精确控制和批量生产的场景，尤其是数字人 + 动效类内容。 3️⃣ video-use 专门处理真人素材的剪辑工具，能自动识别镜头、卡点，并完成后期处理。 4️⃣ Seedance 用于生成电影级运镜和实拍感提示词，补齐 AI 视频在镜头语言和质感上的短板。把这几个装上后，从脚本构思、动效设计、素材剪辑到最终渲染，基本能形成一条比较完整的 AI 视频生产链路。对需要快速出产品宣传片、演示视频，或者做自媒体内容的人来说，这套组合目前效率还不错。

Codex 5.6 之后，AI 视频制作开始进入“流水线时代” 以前做一个视频，需要脚本、设计、剪辑、后期多个工具来回切换。现在通过几个 Skill 组合，AI 可以直接完成从创意到成片的完整流程。这次测试下来，比较关键的 4 个 Skill： 1️⃣ HyperFrames(内置插件) 负责整体策划、动效生成、画面合成和最终渲染，把文字构思转成完整的动态视频框架。 2️⃣ Remotion(内置插件) 基于 React 的视频生成工具，适合需要精确控制和批量生产的场景，尤其是数字人 + 动效类内容。 3️⃣ video-use 专门处理真人素材的剪辑工具，能自动识别镜头、卡点，并完成后期处理。 4️⃣ Seedance 用于生成电影级运镜和实拍感提示词，补齐 AI 视频在镜头语言和质感上的短板。把这几个装上后，从脚本构思、动效设计、素材剪辑到最终渲染，基本能形成一条比较完整的 AI 视频生产链路。对需要快速出产品宣传片、演示视频，或者做自媒体内容的人来说，这套组合目前效率还不错。

爱吃折耳根的Ace

15,742 görüntüleme • 26 gün önce

发现一个很离谱的模型，400 TPS 的输出速度，比 DeepSeek-V4 Flash 快 2 倍多还有超强的多模态理解 + 搜索检索 + 推理综合，这居然是一个 Flash 模型能同时做到的我让它帮我写了一个竞品分析 Agent：输入一张产品官网截图，自动完成"读图提取 → 搜索市场数据 → 输出竞争分析"的全流程。然后用 Cursor 的定价页试了一下，不到一分钟跑完，花了一毛多：它先读懂了整个页面（四档定价 × 各档功能差异 × 推荐标签与社会证明），提取出完整的结构化数据。然后自己决定搜什么，自动生成搜索 query 去查竞品定价、用户评价、市场对比。最后综合视觉提取 + 搜索结果，给了我完整的竞争分析：定价对比、竞品定位差异、真实壁垒在哪里、切入建议。这个模型就是 StepFun 的 step-3.7-flash，多模态 + 搜索 + 推理一体化内嵌在模型里，如果你在构建 AI Agent、编码工作流或多模态系统，Step 3.7 Flash 很推荐大家尝试一下： Step海外平台： Step国内平台：

发现一个很离谱的模型，400 TPS 的输出速度，比 DeepSeek-V4 Flash 快 2 倍多还有超强的多模态理解 + 搜索检索 + 推理综合，这居然是一个 Flash 模型能同时做到的我让它帮我写了一个竞品分析 Agent：输入一张产品官网截图，自动完成"读图提取 → 搜索市场数据 → 输出竞争分析"的全流程。然后用 Cursor 的定价页试了一下，不到一分钟跑完，花了一毛多：它先读懂了整个页面（四档定价 × 各档功能差异 × 推荐标签与社会证明），提取出完整的结构化数据。然后自己决定搜什么，自动生成搜索 query 去查竞品定价、用户评价、市场对比。最后综合视觉提取 + 搜索结果，给了我完整的竞争分析：定价对比、竞品定位差异、真实壁垒在哪里、切入建议。这个模型就是 StepFun 的 step-3.7-flash，多模态 + 搜索 + 推理一体化内嵌在模型里，如果你在构建 AI Agent、编码工作流或多模态系统，Step 3.7 Flash 很推荐大家尝试一下： Step海外平台： Step国内平台：

余温

41,097 görüntüleme • 2 ay önce

谷歌这个Stitch+Gemini3的组合相当不错，我在Stitch里一句话描述就做好了一个AIGC垂类内容app的UI页面，不满意可以调用Nano Banana Pro精准修改，选中页面就能生成可交互的演示视频，最后一键导入Gemini3做出成品。这样先做好UI再突突代码的逻辑，比一口气生成代码再调整方便多了。

谷歌这个Stitch+Gemini3的组合相当不错，我在Stitch里一句话描述就做好了一个AIGC垂类内容app的UI页面，不满意可以调用Nano Banana Pro精准修改，选中页面就能生成可交互的演示视频，最后一键导入Gemini3做出成品。这样先做好UI再突突代码的逻辑，比一口气生成代码再调整方便多了。

傅盛

45,694 görüntüleme • 7 ay önce

《倒春寒》MV - 即梦 OmniHuman-1 测试作品这玩意确实标志着视频生成的新阶段从单一的画面运动变成了整体整体输出你可以直接将一张图片变成，带语音、音乐和唇形同步、表情的视频下面有过程和功能介绍👇

《倒春寒》MV - 即梦 OmniHuman-1 测试作品这玩意确实标志着视频生成的新阶段从单一的画面运动变成了整体整体输出你可以直接将一张图片变成，带语音、音乐和唇形同步、表情的视频下面有过程和功能介绍👇

歸藏(guizang.ai)

53,602 görüntüleme • 1 yıl önce

花了很长时间完成了一个表情练习，从年前一直做到现在。方法是从之前项目的同事那学来的，利用图层可以在同一个模型上制作多个表情，并通过控制图层透明度模拟动画效果，过程比较麻烦不太实用。

Sensitive content

花了很长时间完成了一个表情练习，从年前一直做到现在。方法是从之前项目的同事那学来的，利用图层可以在同一个模型上制作多个表情，并通过控制图层透明度模拟动画效果，过程比较麻烦不太实用。

老郦

74,078 görüntüleme • 1 yıl önce

看到一个可以将文章直接转换成 PPT 演讲的工具，Paper2Video，一篇文章+一个头像+一段语音样本，它就能帮你生成一个生动的演讲解说视频。对于偏专业和学术性的场景，这个工具几乎能承担起人工完成的工作，做学术汇报和做课程的朋友有福了😄 仔细阅读了源码和论文，它的实现方式颇为精妙，整个 PPT 的渲染，主要基于 Beamer 这个声明式布局框架： 1）首先让大模型对内容做一次通篇的解说，并做好摘要分段，确保能够把核心知识表达清晰； 2）对于每页 PPT 的布局，通过视觉模型判断是否存在溢出、错位、拥挤等情况，如果存在类似的问题，就会让布局模块生成多套拼接方案，对图片和文字进行缩放后进行不同组合，再由视觉模型从中挑选出最优的一张； 3）过程中还添加了一个虚拟鼠标，方便捕获观众的注意力，也让整个呈现更具动态感与交互感； 4）口型采用的是 Hallo2，这是一种支持长时长、高分辨率、音频驱动的人像动画模型，能够让头像与语音同步地做口型/表情动画。这个工具主要解决的还是论文汇报场景，不过有几个思路值得借鉴，包括如何将文章内容做拆解、如何做好 PPT 排版，如何做好口型等。稍微改改，应该也能适配到更大众化的领域，例如做自动培训视频、技术方案的交互式解说，甚至产品手册的可视化呈现，把 Paper2Video 升级成 Doc2Video。

看到一个可以将文章直接转换成 PPT 演讲的工具，Paper2Video，一篇文章+一个头像+一段语音样本，它就能帮你生成一个生动的演讲解说视频。对于偏专业和学术性的场景，这个工具几乎能承担起人工完成的工作，做学术汇报和做课程的朋友有福了😄 仔细阅读了源码和论文，它的实现方式颇为精妙，整个 PPT 的渲染，主要基于 Beamer 这个声明式布局框架： 1）首先让大模型对内容做一次通篇的解说，并做好摘要分段，确保能够把核心知识表达清晰； 2）对于每页 PPT 的布局，通过视觉模型判断是否存在溢出、错位、拥挤等情况，如果存在类似的问题，就会让布局模块生成多套拼接方案，对图片和文字进行缩放后进行不同组合，再由视觉模型从中挑选出最优的一张； 3）过程中还添加了一个虚拟鼠标，方便捕获观众的注意力，也让整个呈现更具动态感与交互感； 4）口型采用的是 Hallo2，这是一种支持长时长、高分辨率、音频驱动的人像动画模型，能够让头像与语音同步地做口型/表情动画。这个工具主要解决的还是论文汇报场景，不过有几个思路值得借鉴，包括如何将文章内容做拆解、如何做好 PPT 排版，如何做好口型等。稍微改改，应该也能适配到更大众化的领域，例如做自动培训视频、技术方案的交互式解说，甚至产品手册的可视化呈现，把 Paper2Video 升级成 Doc2Video。

Barret李靖

58,339 görüntüleme • 10 ay önce

一款快速生成超大规模的3D城市模型：GaussianCity，比现有CityDreamer方案快60倍在生成无人机视角和街道视角的3D城市方面达到了最先进的水平，速度10.72 FPS，比CityDreamer快60倍支持无边界的城市生成，突破了传统方法在规模上的限制两个关键：使用BEV-Point作为紧凑的中间表示，像鸟瞰图描述城市布局一样高效，有效控制了内存使用增长，实现无边界城市生成使用具备空间感知的解码器，通过点序列化器整合BEV点的空间结构和上下文特征，生成3D高斯属性，实现高质量的城市渲染 #AI城市生成 #3D城市 #GaussianCity

一款快速生成超大规模的3D城市模型：GaussianCity，比现有CityDreamer方案快60倍在生成无人机视角和街道视角的3D城市方面达到了最先进的水平，速度10.72 FPS，比CityDreamer快60倍支持无边界的城市生成，突破了传统方法在规模上的限制两个关键：使用BEV-Point作为紧凑的中间表示，像鸟瞰图描述城市布局一样高效，有效控制了内存使用增长，实现无边界城市生成使用具备空间感知的解码器，通过点序列化器整合BEV点的空间结构和上下文特征，生成3D高斯属性，实现高质量的城市渲染 #AI城市生成 #3D城市 #GaussianCity

AIGCLINK

12,588 görüntüleme • 1 yıl önce

AI 视频生成，到各种 AI Agent，我一直在思考一个问题：AI 最终会如何改变人类创造和体验数字世界的方式？最开始，AI 帮助我们生成文字和图片；后来，它开始生成越来越逼真的视频。但无论画面质量提升到什么程度，这些内容依然存在一个限制——我们仍然只是观看者。我们可以欣赏 AI 创造出来的场景，却无法真正进入其中，也无法与这个世界产生互动。最近体验 Alaya World Alaya Lab 后，我第一次感觉，AI 视频生成正在探索一个新的方向：它不只是生成一段视频，而是在尝试生成一个可以被探索的世界。 Alaya World 是 Alaya Lab 推出的交互式视频世界模型。用户可以通过文字、图片或者视频作为初始条件，让模型生成一个动态世界。不同于传统视频生成模型“输入 Prompt，输出一段固定视频”的方式，Alaya World 更像是在探索过程中持续构建环境，用户可以在生成的世界中移动视角，并通过交互指令触发新的事件。这也是我认为世界模型和普通视频生成模型最大的区别。过去的视频生成模型解决的是“如何生成一段更加真实的视频”，而世界模型尝试解决的问题是“如何让一个世界持续存在”。如果你进入一个虚拟城市，向前探索，然后回头，你期待看到的是同一个城市，而不是一个重新随机生成的场景。这背后涉及世界模型最核心的挑战：长时间生成的一致性。模型不仅需要知道下一帧画面应该是什么，还需要理解空间关系、历史状态以及用户行为对世界造成的影响。 Alaya World 在技术层面通过空间记忆机制、历史信息保留以及抗漂移训练等方式，提高长时间生成过程中的稳定性。目前模型支持 720p / 24 FPS 实时流式生成，并展示了超过一分钟的连续探索能力。让我觉得这个方向有意思的地方，是它可能会重新定义未来数字内容的生产方式。以游戏行业为例，过去一个虚拟世界需要大量人工制作：美术设计地图、程序编写规则、策划设计剧情。开发者需要提前创造一个固定世界，而玩家进入后按照既定规则体验。但如果世界模型进一步发展，未来的游戏可能不再只是“开发者搭建世界，玩家进入世界”，而是“开发者定义规则，AI 实时生成世界”。玩家体验的不再是一个完全预设好的内容，而是一个随着交互不断变化的环境。当然，Alaya World 目前仍然处于早期阶段。实时生成所需的算力成本、复杂环境理解能力，以及更长期、更稳定的世界一致性，都还有很多问题需要解决。但它让我看到一个值得关注的趋势：AI 的竞争可能不会只停留在生成更漂亮的图片和视频，而是进一步走向创造更真实、更连续、更可交互的世界。过去，人类通过电影记录想象，通过游戏创造虚拟空间。而未来，也许我们只需要描述一个想法，AI 就可以帮助我们生成一个能够进入其中、探索其中的世界。从生成内容，到生成世界，这可能是 AI 下一阶段最值得期待的变化之一。

AI 视频生成，到各种 AI Agent，我一直在思考一个问题：AI 最终会如何改变人类创造和体验数字世界的方式？最开始，AI 帮助我们生成文字和图片；后来，它开始生成越来越逼真的视频。但无论画面质量提升到什么程度，这些内容依然存在一个限制——我们仍然只是观看者。我们可以欣赏 AI 创造出来的场景，却无法真正进入其中，也无法与这个世界产生互动。最近体验 Alaya World Alaya Lab 后，我第一次感觉，AI 视频生成正在探索一个新的方向：它不只是生成一段视频，而是在尝试生成一个可以被探索的世界。 Alaya World 是 Alaya Lab 推出的交互式视频世界模型。用户可以通过文字、图片或者视频作为初始条件，让模型生成一个动态世界。不同于传统视频生成模型“输入 Prompt，输出一段固定视频”的方式，Alaya World 更像是在探索过程中持续构建环境，用户可以在生成的世界中移动视角，并通过交互指令触发新的事件。这也是我认为世界模型和普通视频生成模型最大的区别。过去的视频生成模型解决的是“如何生成一段更加真实的视频”，而世界模型尝试解决的问题是“如何让一个世界持续存在”。如果你进入一个虚拟城市，向前探索，然后回头，你期待看到的是同一个城市，而不是一个重新随机生成的场景。这背后涉及世界模型最核心的挑战：长时间生成的一致性。模型不仅需要知道下一帧画面应该是什么，还需要理解空间关系、历史状态以及用户行为对世界造成的影响。 Alaya World 在技术层面通过空间记忆机制、历史信息保留以及抗漂移训练等方式，提高长时间生成过程中的稳定性。目前模型支持 720p / 24 FPS 实时流式生成，并展示了超过一分钟的连续探索能力。让我觉得这个方向有意思的地方，是它可能会重新定义未来数字内容的生产方式。以游戏行业为例，过去一个虚拟世界需要大量人工制作：美术设计地图、程序编写规则、策划设计剧情。开发者需要提前创造一个固定世界，而玩家进入后按照既定规则体验。但如果世界模型进一步发展，未来的游戏可能不再只是“开发者搭建世界，玩家进入世界”，而是“开发者定义规则，AI 实时生成世界”。玩家体验的不再是一个完全预设好的内容，而是一个随着交互不断变化的环境。当然，Alaya World 目前仍然处于早期阶段。实时生成所需的算力成本、复杂环境理解能力，以及更长期、更稳定的世界一致性，都还有很多问题需要解决。但它让我看到一个值得关注的趋势：AI 的竞争可能不会只停留在生成更漂亮的图片和视频，而是进一步走向创造更真实、更连续、更可交互的世界。过去，人类通过电影记录想象，通过游戏创造虚拟空间。而未来，也许我们只需要描述一个想法，AI 就可以帮助我们生成一个能够进入其中、探索其中的世界。从生成内容，到生成世界，这可能是 AI 下一阶段最值得期待的变化之一。

Ashlyn He

12,093 görüntüleme • 1 ay önce

可灵2.6可以生成群口中文说唱了，歌曲未使用其他任何音乐模型。所以可灵AI这次2.6的音画同出是可以生成完整歌曲的，也具备生成复杂音乐作品的潜力，尤其中文的表现很好，大家可以听听看，具体方法后面讲一下。 1. 完整群口西游说唱

可灵2.6可以生成群口中文说唱了，歌曲未使用其他任何音乐模型。所以可灵AI这次2.6的音画同出是可以生成完整歌曲的，也具备生成复杂音乐作品的潜力，尤其中文的表现很好，大家可以听听看，具体方法后面讲一下。 1. 完整群口西游说唱

汗青 HQ

47,382 görüntüleme • 8 ay önce