AI作品创作过程中， 一致性问题一直是难题 场景一致性和人物一致性同等重要🙌 “场景的俯视图+场景九宫格” 便是最佳解决方案🥳🥳 分享俯视图以及透过俯视图生成九宫格的提示词prompt： 俯视图prompt：“以参考图1作为空间依据，绘制对应场景的鸟瞰式俯视平面结构图。准确还原场景整体空间组织关系，包括建筑主体、功能区域划分、重要景观元素、家具陈设、固定装置、门窗及出入口位置，以及人物可通行的动线逻辑。采用拆解式布局，将各区域的空间分布清晰展示，形成完整的全景空间示意图，为后续分镜设计、镜头调度及跨镜头场景一致性提供参考。整体画面保持结构清晰、比例准确、层次分明，避免出现过度锐化、色彩噪点、纹理破碎、细节崩坏、透视错误、结构畸变或其他生成瑕疵。” 九宫格prompt：“结合场景俯视布局参考图1与场景效果参考图2，在完全继承原有空间规划的前提下，仅调整摄影机的拍摄机位、朝向与观察角度，输出同一场景的九个不同镜头画面。所有镜头均采用平视机位，并以3×3九宫格统一排版展示。要求九个画面始终属于同一场景，严格保持建筑布局、主体景物、家具陈设、装置位置、门窗出入口、通行动线及空间比例一致，不新增、不删减、不移动任何关键元素，仅通过镜头语言变化形成不同分镜视角。最终结果需满足影视分镜设计与后续镜头衔接参考需求，保证空间连续性和场景一致性。画面质量要求：高清、真实、细节完整，避免出现过度锐化、色斑、噪点、纹理碎裂、结构崩坏、物体膨胀变形、透视错误、重复物体、模型幻觉及其他影响画面质量的问题。” ps：使用这两段提示词的前提是需要准备一张场景图，如果大家没有场景图，后续为大家更新好看的场景提示词～

有没有一种可能：在文本框里敲下‘赛博朋克城市夜景’，下一秒，你就能在浏览器里自由走动，抬头是闪烁的霓虹，转身是湿漉漉的街道？ 这不是概念视频。高德昨天开源的ABot-WorldStudio，已经把这个交互式3D世界生成体验开放测试了。 简单说，这是一个通用世界模型工坊——你把文字或图片给它，它帮你生成一个可以实时交互的AI世界。不是动图，不是预渲染视频，是真正能走、能看、能互动的三维空间。 而且，里面还藏了一个‘时空任意门’。你从森林场景走入一个光圈，再出来就是蒸汽朋克工厂，场景完整切换，没有加载黑屏，连续推理可以稳定跑超过1小时不崩溃、没画质衰减。 这背后是高德自研的两个模型：ABot-World0和ABot-3DWorld0，前者负责交互视频生成，后者负责3D高斯溅射场景重建。两者统一成一个工坊，让创建世界和走进世界变成一条流水线。 对普通人来说，最大的意义是什么？ 省时间，省钱，省技能树。 以前，你要做一个能走进去的3D场景——比如一个虚拟展厅或者游戏关卡——你得学几个月的Blender、Unity，或者雇一支小团队。现在，只要你有想法，ABot-WorldStudio可以替你完成从建模到交互的全过程。 我试了试网上别人分享的例子：输入‘日式禅意庭院，有枯山水和竹流水’，10秒后一个可360度旋转、放大缩小的庭院就出现了。虽然细节还不能跟人工建模比，但作为概念验证或者快速原型，效率提高的不是一个数量级。 对于内容创作者，你可以用它快速生成带场景的视频分镜，不用像以前那样一张一张画背景。对于教育者，你可以给山区孩子瞬间生成一个虚拟的历史场景或者细胞内部结构，让他们‘走进去’看。对于电商，输入产品图片，自动生成一个3D展台，让用户旋转查看。 更关键的是，这个工具把技术门槛打到了最低。 它支持自然语言和图片输入，不需要写代码，不需要学任何专业软件。界面友好，生成的场景还能分享链接给别人，对方在手机浏览器里也能打开交互——这大大降低了普通人体验3D世界的门槛。 有个细节值得说：官方实测单次连续推理超过1小时，没有崩溃或质量衰减。这意味着用它生成的世界进行直播、长时间的课堂讲解或者展会演示，可靠性是有保障的。跟之前很多AI生成3D只能跑几分钟就崩掉的方案比，进步巨大。 另外，模型已经在GitHub全面开源，且可以在单张RTX 5090上本地部署。也就是说，如果你家里有高端显卡，你可以自己跑这个模型，离线生成世界，数据完全私有。这对注重隐私的企业用户尤其重要。 当然，也不是没有限制。 目前测试版生成的世界精度、物理交互的丰富度还比不上专业游戏引擎。比如你不能在场景里捡起一把椅子或者推倒一堵墙，交互更多是视觉浏览和简单的视角切换。但它已经能给人很强的沉浸感，而且随着模型迭代，这些都会快速补齐。 还有一个现实门槛：虽然在线测试不需要你配环境，但如果想本地部署，你需要一张至少24GB显存的显卡——目前最匹配的是5090，这玩意儿不便宜。好在它可以开源社区在未来适配更低配置。 那么，普通人现在能做什么？ 最佳入手姿势：直接访问ABot-WorldStudio的官方测试站，用手机号或邮箱注册，可以免费生成一定数量的世界。输入你想看到的任何场景——从外星地表到中古市集——看看AI能复现到什么程度。然后把生成的世界链接分享给朋友，他们也能进去逛。 如果你有技术背景，可以去Hugging Face或GitHub搜ABot-WorldStudio，下载开源模型。社区里已经有人给出了Docker部署教程，一张5090跑起来的实际体验相当流畅。 我的判断是，高德这次发布，把3D世界创作从专业工作室拽到了每个普通人手里。它不会是3A游戏的终结者，但一定会成为创意爆发和原型验证的超级杠杆。 最后提醒一句：测试期间服务器可能拥挤，生成失败多试一两次。另外生成的内容要遵守平台使用协议，别做违规场景。 现在就去试试吧，你离创作第一个交互式世界可能只需要一句话。

原来莫奈叫 Claude。 原来 AI 是人类学。 所以 AI 在学人类吗？AI 到底在学什么呢？ 今天去 de Young 看了《Monet and Venice》。莫奈一百多年前的印象派 他盯着同一个东西，在不同的光里看1000遍，然后把那种”说不清但就是对”的感觉，几百次糊在画布上。越看越像在训练大语言模型… 莫奈为什么画得这么”糊”呢？墙上的介绍说，莫奈和透纳画里越来越朦胧、越来越发白，和当年伦敦工业革命的空气污染曲线高度吻合。烧煤、二氧化硫、雾霾把阳光打散、把颜色揉在一起。所以，他那时候画的是连名字都还没有的【雾霾】。（Smog这个词1905年才造出来。） 然后他 68 岁那年被太太 Alice 拉去威尼斯，刚到那，莫奈说 这地方”太美了，没法画”。结果一画就上头，原计划待2周，延长到两个月，画了37张。整片威尼斯潟湖，那潟湖里有座岛叫 Lido，所以Claude 早就去过了Lido😄 继续走，转过另一个房间，我懵了，一面墙上 挂着五六张几乎一模一样的画。我第一反应是 谁在临摹莫奈？怎么临摹也能摆进来？我的门票要40刀呢！ 结果全是他本人画的。同一座教堂、同一条运河，不同的光、不同的雾、不同的时刻。睡莲也是这么个打法，他一辈子画了 250 张“莫奈睡莲”，光 1909 年那一组就 画了48 张。同一个池塘，画了30年。 这套打法也太 AI 了….（不是 莫奈的画，远看最清晰，越凑近越糊，就像现在的AI 幻觉，远看是那么回事、貌似很合理，放大再看，到处是经不起推敲的错误细节。而那一墙”差不多但又不太一样”的画，就像我让模型生成图、啪一下甩我4张、9张，构图都差不多，细节各有微调的“结果”，让你自己去挑”觉得最好的那张”。 莫奈的同一主题，n 个变体，人工挑选，是不是最早的 batch generation + human-in-the-loop？😅 de Young的策展极好，灯光、留白、画与画之间的间距、动线，逻辑通顺…让每个人都进入深度思考 所以回到我开头想问的问题， AI 在学什么？ 也许它学的，就是莫奈一百多年前在干的事，盯着同一个东西，在不同的光里看一千遍，然后把那种”说不清但就是对”的感觉，糊在画布上。 大语言模型本质上就是个黑盒子：你知道它在输出，但你说不清它为什么这么输出。也没人能拆开莫奈的脑子、解释他这一笔为什么偏要往左。 但我越想越觉得，这俩”黑盒”其实是反着来的。 莫奈是先有一万次凝视，颜料只是把”看见”压缩成结果，糊得一样又不一样，其实他比谁都看得清，清楚地知道清晰是种偷懒，真实的世界本来就没有硬边。 AI 是反过来的，它没真的”看”过任何东西，只把人类已经画好、写好、说好的几十亿个结果，反向拟合出一个像在凝视的样子。 莫奈的模糊里有他三十年的确定；AI 的”合理”里，可能什么都没有，只是概率最高的那条路，恰好长得像他真的懂了。AI 在学”人类留下的痕迹”。 最后走出来，我在想 ANTHROPIC一定赞助了“Claude画展”吧！果然！Lead Sponsor，墙最上面，大写加粗 ANTHROPIC anthropic 词根 anthrop- 是”人类”。 AI is anthropology。但是研究人类痕迹之后，人类真的知道AI在学什么吗？ （3/21–7/26，de Young，强烈推荐。）

Grok 4.1 免费一键生成电影级AI大片 & MV｜连续故事情节·画面连贯·首尾帧一致！ ​ 很多人以为 AI 视频生成还停留在“单帧图→简单动效”的阶段，但 Grok 4.1 的能力已经远超预期：它不仅能根据文字提示生成高清图像，还能基于已有画面“续写”后续镜头，实现真正的“故事化生成”。整个过程几乎不需要后期配音或剪辑，AI 自带音效与情绪节奏，真正做到了“输入想法，输出电影”。 我选择了一个科幻动作短片作为实验对象：一位年轻、精致的中国女性，在未来都市摩天楼顶操作全息界面，突然城市警报拉响，她神情转为警惕，随后乘直升机撤离，最终在混乱街头展开枪战……整个故事线清晰、情绪递进，而这一切，仅靠几段提示词+三张关键帧就完成了。 值得一提的是，Grok 支持自定义分辨率，比如我输入“16:9”，系统会自动适配宽屏比例，非常适合视频制作。提交后，几秒内就生成了8张高质量图像，其中第一张最符合我的预期：红衣女子站在高楼边缘，手指轻触悬浮全息地图，发丝被风吹起，背景是霓虹闪烁的未来都市。这张图，就是我们整个视频的“封面帧”。 接下来是关键一步：用这张图作为种子，生成第一段视频。点击“生成视频”，Grok 会自动基于该图像生成6秒左右的动态片段——人物微表情变化、发丝飘动、全息界面数据流闪烁，全部自然流畅。生成完成后，默认画质是标清，但点击右上角“HD”按钮可一键提升至高清，再下载保存即可。 为了实现“连续剧情”，我们需要把第一段视频的最后一帧截图作为下一段的起点。这里有个小技巧：用 PotPlayer 打开视频，拖到结尾，右键→视频→图像截取→保存为 PNG。这个截图会被当作“新参考图”，上传回 Grok 后，我们就可以在提示词里写：“承接上一幕尾帧画面，夜幕完全降临，全息城市地图开始闪烁，多个区域突变为红色警告状态……”——AI 会严格遵循前一帧的构图、人物姿态、光照方向进行延续生成。 我重复了三次这样的“接龙”操作： 第二段：她神情转为警惕 第三段：直升机从头顶掠过，她纵身跃入舱门 第四段：她在直升机内操作控制台，窗外是燃烧的街道 第五段：她滑降落地，手持武器，与暴徒对峙 每一段都保持了角色一致性：发型、服装、肤色、甚至指甲油颜色都未改变；场景逻辑也严密衔接——从高楼→直升机→街道，空间转换合理，毫无违和感 最后，我把这5段视频导入 Adobe Premiere Pro，简单拼接、调整时长，再加一点过渡效果，最终成片约30秒。整个流程耗时不到1小时，而传统影视制作可能需要数周。 更令人惊喜的是，Grok 4.1 对“情绪”的理解非常细腻。比如在“警报响起”那段，我只写了“眼神转为警惕”，生成结果中她的眉毛微蹙、瞳孔收缩、嘴角紧绷，连睫毛的颤动都恰到好处；而在枪战高潮段，她扣动扳机的瞬间，手臂肌肉线条、枪口火光、飞溅的碎石尘埃，全都高度写实。 当然，目前仍有优化空间：部分动态细节（如头发飘动轨迹）偶尔不够自然，长视频仍需分段生成+手动拼接。但考虑到这是免费账号的体验，它的表现已远超同类工具。 如果你也想试试，记住三个核心要点： 提示词要具体到“动作+情绪+光影+风格” 每段视频结尾务必截图，作为下一段的“锚点” 多生成几版，挑选最连贯的一组进行拼接 技术正在以惊人的速度消弭创意与实现之间的鸿沟。过去需要团队协作的短片，现在一个人、一台电脑、一段想象，就能完成。这不是取代创作者，而是赋予我们前所未有的表达自由。 愿你我都能在技术浪潮中，找到属于自己的叙事节奏。 #AI# #AIAgent# @nikitabier @XCreators @grok @xai @SpaceX @cb_doge @Tesla #grok#

不知道你们有没有遇到过 AI 生成素材。 结果生成出来视频很好看，但是里面全是错字…… 我不知道现在普遍的解决方案是什么， 反正我是挺头疼的。可能会有一些外置的工具，但是我觉得还是很不方便，为什么 ai 不能直接做出来就是对的呢？ 然后我的朋友让我去试试 胖鹅 AI。 用同一个 prompt 来生成蒸汽眼罩，图1是胖鹅生成的，图二是别的ai生成的。视频效果差不多，但是图二的错字根本无法用。 普通 AI 生成视频的流程，就是把你的 prompt 丢给一个底层模型，等它吐出来什么算什么。错字、比例不对、风格跑偏，都是开盲盒。 而 xBubble 在中间加了一层。 胖鹅ai 会在后台一直跑实验，同一类任务拿不同的模型、不同的 prompt、不同的工具组合反复试，比谁的输出最稳。最优的那套打包成一个 SOP 存起来。sop其实就是这种任务用这套组合最好用的固定配方。 而且用得越久，它越懂同类任务该怎么做。就像一个经验丰富的老中医熟练掌握了很多药方。 xBubble 主要分为两个部分： Bubble Engine一直在跑实验。同一类任务它会换不同的模型、不同的 prompt、不同的工具组合反复试，比谁的结果最稳，然后把最优的那套打包成 SOP 存起来。sop可以理解为这种任务用这套组合最好用的固定配方。 另外一块叫 Bubble Pilot，是前台跟用户对话的。 比如前段跟用户对话，接收到了一个需求：扫一下最近 24 小时哪些聪明钱在加仓 AI 代币"。它会先判断这属于什么类型的任务，去后台找有没有现成的 SOP。命中了，直接给你最优解。没命中，先用通用模型勉强跑一个，同时把你这个请求记下来，告诉 Engine以后多练这种。所以用得越久，它越懂你那一类任务该怎么做。 xBubble 分两种运行环境。 1️⃣Bubble Computer 是云端的项目工作间。 做素材、做看板、做网页这种从零到一的活就走这里。 碰到多步骤任务自动开沙箱，按需加载工具，中间过程你不用管。研究、生成、核对、出成品，一次跑完， 拿到的是一个独立 URL。直接转发给客户看，或者丢进群。 2️⃣Bubble Personal 是本地模式。 偏向在你已有环境里干活。可以读你电脑里的文件、操作浏览器、用你的应用、看你的日程。装软件、改系统这种重活在云端容器里跑完销毁，本机只动你明确授权的东西，不污染你电脑。 第一次了解这个项目的时候我想的是为什么我以前没想到还有这种精细的创业方向…… 只能说xBubble 团队 dappos 还是很懂目前用户使用ai的痛点的，dappos本身也是很成熟老牌的 web3 项目了，母公司 DappOS 曾获得过红杉中国和 Yzi Labs 等知名机构的投资。 建议大家可以去体验一下，新东西出来了，只有自己试过才知道好不好用。 link：

推荐一个我喜欢的AI工具给你（22） Flourish 又是一个黑科技AI工具网站，只要动动鼠标就能把表格变成超炫酷的图表。上传个Excel表格，选个模板，几分钟就能自动生成柱状图、折线图、3D地图、竞赛条形图等。它能生成网页图表，还能一键导出GIF和视频，直接往PPT、公众号文章里嵌，屏幕自适应功能也很贴心，手机电脑展示都完美，上班、学习、做自媒体都能用，是个提升效率的大神器。 传送门：

说个所有AI创业者都不愿意承认的事实： 现在做一个AI工具的门槛已经降到了地板， 普通人做一个AI工具都只需要一天， 但学会用它干成一件事，却至少得一个月， 感觉像是AI时代的一个悖论😅 5.7M 阅读 23 万点赞的这条推，表面看是游戏圈在自嘲， 视频展示的是一颗树莓 237 万个高斯点，做一筐扔进游戏直接 2 FPS， 但如果把游戏开发四个字去掉，你会发现这是 2026 年所有 AI 工具用户的共同故事。 我先先把这个梗讲透： 原推作者 @DanyBittel 用 90 组焦点堆栈、每组 68 张照片，重建出来这颗树莓，总共 237 万个高斯点， 这是一种叫 3D Gaussian Splatting 的新型 AI 重建技术，简称 3DGS， 视觉效果有多吓人呢？ 每一颗小果粒的绒毛、表面光泽、半透明的果肉质感全都纤毫毕现，在 RTX 3060 Ti 这种中端显卡上还能跑 100+ FPS，前提是只有这一颗🙃 @nazbowling102 的笑点在这里，老哥迫不及待想看哪个独立游戏开发者一激动，把一整筐这种树莓当道具扔进游戏里，然后纳闷为啥游戏跑 2 FPS🤣 我觉得这个吐槽之所以 5.7M 阅读，是因为它戳中了游戏圈的集体回忆—— Monster Hunter Wilds 一颗八角茴香用了 2048 乘 4096 的纹理直接卡帧，Cities Skylines 2 给行人建了高精度牙齿模型，全都是一个小道具毁全局的真实事故。 但这条推真正让我深入研究的还不是游戏开发的事，虽然我是个游戏爱好者，但对于游戏开发是个小白。 ayi干货输出开始！ 咱们把游戏开发四个字去掉，这个故事正在所有 AI 工具领域都能同步上演， AI 生成的图，单张精美绝伦，但批量做长素材时质量瞬间崩溃， AI 生成的视频，10 秒钟惊艳，1 小时长片的管线一团乱， AI 生成的代码，单个函数完美，扔进项目跑起来一堆隐藏依赖， 共性是同一条规律： 新工具让做出来这件事的门槛降了 100 倍， 但用得动、跑得稳、能交付这件事的门槛反而升高了 10 倍。 过去做不出来是因为没人能做，现在做出来是因为工具太好用， 但优化、压缩、整合、降本的脏活累活没人帮你干，AI 工具时代真正稀缺的不再是创造力，而是生产工程能力。 所以我觉得这条树莓推真正的价值，不是教育游戏开发者怎么做 LOD， 是给所有正在被新工具喂得满嘴流油的人一个提醒： demo 级和生产级永远隔着一条河， AI 让前者变得免费， 后者还是要你自己游过去的！

這支影片是用 Filmera AI 平台，搭配 Seedance 2.5 模型生成的。 做法大致是： 1. 先準備一張金門大橋的靜態參考圖。 2. 在圖上直接畫一條路徑線（紅色那條，還有箭頭標示方向）。 3. 搭配提示詞，要求「連續、不中斷的第一人稱龍背視角，大約30秒，鏡頭嚴格跟著畫好的線飛行」。 4. 模型就會把相機（也就是你看到的龍背POV）精準沿著那條線移動，產生真實感的飛行畫面。 Filmera 本身是工作流工具，可以保留多個 take、管理提示詞和參考圖，大家可以直接複製去改路徑或換角色。 • 小龍圖示會沿著紅線移動，只是方便對照「現在相機走到路徑的哪一段」。