ComfyUI 第138集 完美修手，KONTEXT，修手，修复，高清，整合包，流程，免费，网盘，下载，AI绘画，AIGC，AI

你从未见过的顶级换脸工作流——全新思路，快来学起来！

三连加关注，私我222，双手奉上工作流~ 如需高清放大，体验地址：https://www.runninghub.cn/ai-detail/1921900658595676162/?inviteCode=43d6cf07 脸型调整节点：https://github.com/fssorc/ComfyUI_FaceShaper

在BW见到了彩虹人！

感谢点开这个视频，看完觉得不错的话就点个赞！ 投币分享收藏这个视频可以让更多观众看到我！

别抄爆款！从0到年入7位数，AI一人公司5个心法，2年实战免费公开！

花几千报AI培训班？Google免费课程就够用 #谷歌免费课 #人工智能 #AI学习 #干货分享生成式AI

-

简单做了下仙狐小姐的ai中文语音欢迎大家来用

-

活又来了！原创IP宇宙？价值数十万的AIGC商业化流程分享！

AI到底能不能赚钱？能不能接几十万的商业项目？我们试了一次，而且——做成了。 当大家还在质疑AI能否变现，我们已经用它完成了一个预算达几十万元的商业项目：《星际友好计划》。 更重要的是，这支影片与互动装置如今正在中国科技馆正式展出，成为AI内容创作与科技融合的真实案例。 本期内容，原是我们为北京电影学院·美术学院开设的“AIGC创作课程”内部实训之一。 这也是三不五时首次完整公开我们的AIGC工作流，从角色建模、世界观构建、LoRA训练，到镜头语言表达，干货满满。 🚀 如何从0到1构建原创IP宇宙？ 无论你是品牌主、IP方，还是独立创作者——如果你曾想过打造属于自己的角色世界，我们将告诉你怎么做： 几张手绘稿如何孵化出“宇宙观” 用Tpose + ChatGPT，训练出“会演戏”的AI角色 如何构建人物动作库、视觉概念集与更新机制 从一个人物表情包，到持续更新的互动视频周边 🎥 从摄影机切换到AI画笔：视觉创作者的转型路径 这期节目同样为摄影师、美术、导演等视觉创作者提供了现实范式： 如果不想再依赖大团队，如果你有强烈的画面表达欲，AI可以让你一人完成整个内容宇宙。 本期分享将深入展示：如何从摄影机转向AI，用Prompt取代镜头，继续创作、放大表达。 🎁 Bonus：资料赠送 & 社群开放中 节目内将赠送： 三不五时自研 Midjourney 咒语 LoRA训练技巧与动作控制范式 可直接套用的AIGC角色孵化公式 我们的AIGC社群也在组建中，欢迎所有创作者加入，和我们一起探索AI内容的下一站。

【中字】DeepSeek R1 GRPO 里的每个术语，都给你讲透了（还配了例子和练习哦！） 强化学习基础

Depth First https://www.youtube.com/watch?v=mXWiDU9-fOk 这个视频主要讲的是一个叫“组相对策略优化”（GRPO）的东西。它是一种强化学习的训练目标，目的呢，就是通过语言模型回答问题后得到的平均“分数”，来最大化一个总体的目标。 GRPO的核心呢，是一个叫“优势函数”的概念。它衡量的是，在同一组里，针对同一个问题，一个具体的回答应该比其他回答好多少。这个“优势”是怎么算的呢？就是用这个回答的原始奖励，减去这组的平均奖励，再除以这组的标准差，这样来调整。这种“组内相对”的调整，考虑了模型在这个特定问题上的整体表现，相当于根据一个回答在这个组里的独特性或表现力，来决定是惩罚它还是奖励它。视频里特别强调，这种优势函数的近似计算方法不仅计算成本低，而且它本身就考虑了问题的难度，是实现有效强化学习的一个关键创新。 这个“优势函数”其实反映了我们对一个回答到底有多“好”的信心：如果优势是正的，那就会鼓励我们提高这个回答被选中的概率；如果是负的，就会让我们降低这个概率。接着，视频提到了一个 `pi_theta_old`，用它来形成一个比率，衡量当前这个回答的概率跟它以前的状态偏离了多少。还有一个“裁剪”机制，就是用 `1 +/- epsilon` 来限制这些概率更新的幅度，这样可以避免变化太大，保证学习的稳定性。 现在的强化学习目标函数，都会通过像“裁剪项”和“最小值函数”这样的机制，来引入一种“保守性”。这主要是因为，不像监督学习能提供很细致的反馈，强化学习给的奖励往往是稀疏的，而且是针对整个序列的（比如，一个完整的回答是对还是错）。这种“嘈杂”的反馈很难让我们精准地找出具体是哪里错了，所以如果进行大幅度的负向更新，可能会适得其反。因此，强化学习模型会被鼓励进行更保守的梯度更新，尽量保持和旧的概率接近。“最小值函数”呢，就是专门限制了即使某个回答的优势很大，当它的概率增加超过某个阈值后，所能获得的好处也会被限制。这样做的目的是避免模型过度优化某一个回答，而是鼓励它把概率的提升更广泛地分散到整个策略中。 总的来说，这个目标函数通过迭代调整回答的概率，来优化模型在整个数据集上的表现。同时，它还加入了一些机制来防止“奖励作弊”（就是给某个回答分配过高的概率）以及培养保守性。其中一个关键的组成部分是KL散度项，它会惩罚当前策略偏离一个固定的、基准参考模型（比如DeepSeq V3）的程度。这一项确保模型能保持在初始状态附近，避免在强化学习过程中偏离太远。整个目标函数平衡了两个点：既要让模型表现比基准模型更好，又要保持和基准模型的相似性，而一个叫“beta”的项就是用来控制这种权衡的。另外，还有一些“小技巧”，比如概率比率裁剪和最小值函数，它们会进一步限制更新，通过防止过度优化和快速偏离我们原有的认知，确保学习的稳定性和鲁棒性。

【PR/AE画质修复】视频画质太模糊怎么办？试试这三款高清画质修复插件，让你的视频画质从模糊秒变4K！！再也不用担心画质模糊不清了！白嫖党福音~

Flux-Kontext快速云端镜像部署教程(资源环境已配置)

云端镜像地址：https://www.codewithgpu.com/i/comfyanonymous/ComfyUI/ComfyUI 工作流地址： 链接: https://pan.baidu.com/s/1FWLc267QYrvnRL1V29f8Uw?pwd=f2wh 提取码: f2wh

不要投稿AI生成的文章到官网上了

视频中截图使用的文本为deepseek生成，并未发布。