https://wangsheng1991.github.io/content-engine/ Short, reproducible write-ups of AI research and models, each one backed by a runnable artifact. zh 2026-09-22T12:42:07Z https://wangsheng1991.github.io/content-engine/blog/qwen-image-2-1-bench/ https://wangsheng1991.github.io/content-engine/blog/qwen-image-2-1-bench/ 2026-09-22 把 Qwen-Image-2.1、SenseNova-U1.5 和一个 4 步 INT4 的 FLUX.2-klein 放在同一台机器、同一张卡上， 用 GenEval / DPG-Bench / LongText-Bench 的原题面逐题对打：Qwen 的组合题只有 4/7，另两家 7/7。 但官方推荐的管线是「提示词增强 + 2048² + 40 步」，我们首轮三样一样没占。只把题面改写成增强器风格的长描述， 同分辨率、同 seed，两道丢物体的题当场都过了 —— 这类失败是短请求不吃，不是不会画。 另外做了一套 26 道自建垂直题（9 个领域、156 张出图），回答「这个活到底该用哪个模型」： 九个领域里没有通吃的，SenseNova 拿下效果图、人像、UI 稿、漫画分镜，Qwen 独占中文海报大标题与原生透明 RGBA。 https://wangsheng1991.github.io/content-engine/blog/wan-i2v-first-frame/ https://wangsheng1991.github.io/content-engine/blog/wan-i2v-first-frame/ 2026-09-22 通义万相（wan2.6-i2v-flash）是图生视频里最省事的一档：一张首帧图 + 一句运动提示词，五秒后拿到一段 MP4。 它只有异步接口，必须显式打开异步提交，再用任务 ID 轮询，结果链接 24 小时过期。 真正容易吃亏的是另外两个参数：resolution 是「像素预算」而不是分辨率档位（默认还是更贵的 1080P）， audio 默认是开着的 —— 不写它，一条 5 秒 720P 的片子就按有声价计费，正好贵一倍（¥1.50 而不是 ¥0.75）。 我们六月份那批三条片子就是这样付的：文件里都带着 AAC 音轨，因为脚本当时没传 audio。 https://wangsheng1991.github.io/content-engine/blog/ml-sharp/ https://wangsheng1991.github.io/content-engine/blog/ml-sharp/ 2026-09-21 SHARP 是 Apple 提出的单目视图合成方法：给定一张照片，它在单次前馈中回归出场景的 3D 高斯表示，标准 GPU 上耗时不到 1 秒。得到的 3DGS 可以被实时渲染，输出附近视角的高分辨率写实图像，而且表示是 metric 的，带绝对尺度，支持米制相机运动。 按 README 与论文摘要，它在多个数据集上把 LPIPS 降低 25–34%、DISTS 降低 21–43%，同时把合成耗时降低三个数量级。 对开发者来说，值得看的是它把「重建」压缩成了一次前馈调用，并且给出了现成的 CLI 与权重。