新闻详情

新闻详情

首页 / 资讯中心 / 详情

Awesome MiniMax H3 Max Prompts — 把视频提示词拆成动作、镜头和时间

发布时间:2026/11/17 7:58:58来源:尧图网络
Awesome MiniMax H3 Max Prompts — 把视频提示词拆成动作、镜头和时间
跑酷场景可以分别描述起跳位置、障碍、落点以及相机如何跟随。这样整理后生成结果哪里偏离更容易说明也方便下一轮只调整其中一个变量。仓库里有什么这份开源 H3 Max 案例合集目前收录 15 个公开账号的 30 个案例分成 7 类提供中英文说明。内容包括运镜与动作、角色表演、动画、短叙事、纪实氛围、参考连续性和制作流程。雨夜天台打斗、失重宇航员、黏土小剧场、角色展示以及用 Blender 白模交代运镜分别对应不同问题。分类的用途是帮助读者找任务不是给模型或作者排一个热度榜。为什么要区分三种条目公开提示词改编会链接作者原文画面逆向推导是根据可见效果提出一个可尝试的写法工作流整理则说明参考、预演、剪辑或关联端点之间的关系。同一个成片可能来自多种输入还可能经过多次生成。仅凭视频不能恢复唯一的原始 prompt所以不能把编辑补写的文字叫作作者原始配方更不能拿作者的视频证明这段改写已经复现成功。从原帖开始保留证据整理时先查公开 X 帖子再找作者的回复看看是否公开了 prompt、参考图和工作流。视频部分检查了抽样帧用来描述可见的动作与构图每例保留作者和原始出处。我们把作者明确披露的信息与编辑推导分开没有披露的 seed、参考素材和剪辑步骤就保持未知不为了让表格完整而编出参数。抽样看帧也不等于逐帧或音频验证。关系、许可和未验证部分这个仓库由我维护的 H3Max 项目维护。网站是商业项目开源合集可以独立阅读下载不需要注册网站。仓库原创贡献采用 MIT第三方视频、缩略图和作者原文仍保留原有权利。首版没有做独立生成验证展示的预览来自原作者。开源整理、作者署名、媒体使用权和复现证据是几件不同的事都需要写清楚。把效果词换成可检查的动作以跑酷为例可以分别写起点、障碍物、起跳、落点和相机路径。生成后就能具体判断是落脚位置不对还是镜头越过了人物下一轮只改相关的一项比同时换一堆形容词更容易理解变化。短片还需要给每个动作留时间不能把很长的剧情塞进几秒。这是让试验更清楚的写作方法仓库没有提供证明其成功率的对照实验。模型和入口需要对上H3、H3 Max 和关联端点不能混为一谈。看到一个使用多份参考素材或视频编辑的案例不代表任意 H3 Max 入口都支持那套输入。仓库因此保留了模型边界说明。使用视频创作工作台尝试时先核对选择的模型、输入方式与案例是否对应除非明确来自作者披露拆解里的参数只能当作建议起点不能当作从视频里找回的事实。怎样留下有用的试验记录先选一个案例准备它要求的输入素材再记录模型或端点、时长、分辨率、画幅、prompt以及可用时的 seed。生成前写好验收点比如人物保持可辨认、道具没有换手、镜头到达预期终点。看完结果后挑一个主要偏差修改保存失败结果和修改理由。这样下一次打开项目时就能知道已经试过什么而不是只剩一堆最好看的导出文件。如何维护而不是只堆一篇长文案例存成 JSON再生成独立页面和中英文 README。自动检查负责发现重复案例、缺失字段、本地引用错误和未同步的生成文件不能判断视频是否真的复现。阅读时先看预览再展开长提示词。站内另有网页提示词案例库可以按网页方式浏览它与 GitHub 合集的收录内容并不完全一致不能把两边的结果混算。下一步更需要什么比起只增加条目数量我们更想补齐复现记录输入素材、模型设置、尝试次数、每次改了什么以及是否做过后期。失败样本也有价值它能说明哪些约束困难、哪些修改没起作用。欢迎补充原始 prompt、纠正署名或者提交有输入与参数的对比结果一句“这个提示词有效”提供的信息远不如一次清楚的实验记录。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉