AI 做视频想稳定出片,流程比提示词重要
刷到 Eian 的一篇长文,讲他用代码做视频的那套工作流。看完我最大的感觉就一个:想稳定出片,靠的不是一句神级提示词,而是先把流程拆开,一步一步走。 他这套流程说白了就六步:先定需求、再找参考、然后出分镜、配音乐、开工渲染、最后验收存档。中间每一步都有明确的产出,不是一股脑全压给模型。代码渲染的好处
刷到 Eian 的一篇长文,讲他用代码做视频的那套工作流。看完我最大的感觉就一个:想稳定出片,靠的不是一句神级提示词,而是先把流程拆开,一步一步走。 他这套流程说白了就六步:先定需求、再找参考、然后出分镜、配音乐、开工渲染、最后验收存档。中间每一步都有明确的产出,不是一股脑全压给模型。代码渲染的好处
本地跑开源模型,最劝退人的环节往往不是模型本身,而是前面的准备工作:装什么引擎、配什么参数、自己的显卡到底带不带得动哪一档。很多人就是卡在这一步,模型还没跑起来就先放弃了。 今天这篇讲的工具,思路就是把这堆准备工作收进一个软件里:先检测你的硬件,再推荐合适的模型,推理引擎也帮你装好,剩下的就是选模型
等了两年,国行 Apple 智能这回是真来了。今天苹果官宣,首批功能 11 月 4 日先随 iOS 开发者测试版开测,12 月随 iOS 27.3 正式版推给普通用户。我第一反应是:好事,但先别急着激动,这次来的不是满血版。 先说时间线,很简单,就两个节点:11 月 4 日开发者测试版先上,12 月
本地跑大模型,最劝退人的往往不是模型本身,而是前面那堆准备工作:装环境、配参数、再根据自己的显卡一台台去对型号。显卡只有 8GB 的时候,这个问题更明显——不是完全不能跑,而是不知道该选哪个版本、选多大的量化,试错成本很高。 今天这篇就换个顺序讲:先说一个能帮你省掉大部分配置工作的思路,再按显存从低
今天刷到 gKev1n 发的一组对比,拿 6.1 Terra 和 6.1 Sol 做左右分屏同题 PK,一共比了四轮。看完我的感觉就一句话:Terra 的速度确实快,拿来做 agent 底座很对味;但前端动效那块,差距藏不住。 第一轮:AI 体素自画像 体素风的草地树木场景,两边同题生成,左右分屏直
本地跑大模型这件事,门槛一直卡在显存上。模型参数越大,需要的显存越多,普通电脑往往还没开始就被劝退。最近 GitHub 上出现了一个叫 Strata 的开源部署工具,它的切入点不太一样:不硬拼显存,而是把显存、内存和硬盘拼在一起用,号称能让配置一般的电脑也有机会跑起 125B 参数级别的大模型。 先
说实话,很多人不是不想做短视频,是卡在第一步:不想出镜,又不知道从哪下手。 我今天不讲大道理,就把一套普通人能直接动手的做法拆开。你不用会剪辑,不用买设备,一部手机就能先做出第一支片子。做不做得好另说,先做出来,才有后面复盘的资格。 先想清楚一件事:你能持续聊什么 不露脸不代表没主题,恰恰相反,主题
最近抖音上那种"AI 大模型拟人化"视频特别火,Claude 和 DeepSeek 被画成各种形象,评论区天天"好磕"。我看着手也痒了:要不我也给它俩设计个形象?正好最近有个国产开源生图模型 MOSS-Image 挺火的,5B 参数,主打文字渲染和排版,那就拿它开刀,顺便看看开源模型现在到底进化到什
平时折腾 AI 工具的心得和实测,我都会同步发在公众号 鹿哥聊AI 扫码关注,第一时间收到更新 Windows 11 功能越堆越多,代价也跟着水涨船高:预装应用一大堆,后台进程常年吃内存吃硬盘。老机器升级完直接卡成 PPT,新机器开机就开始"优化"。市面上的第三方精简系统倒是不少,但谁打包的、动了什