@Thanaots said:

总是按照h3方式写的。这也是为啥总在ltx上面出错。我现在想办法去抹除掉h3的记忆内容。

上下文被污染了, 清理乾淨後 有沒有好點？

你的头脑很硬，随你去撞板吧

@imbiplaza-ASUS 说:

@Thanaots
试一试我的py

Universal_i2v_Enhanced_Prompt_v11_webui_comfyui_connector_home_history eros1.4.py

我问过claude，还真不是py问题。是hermes写prompt时候，不按照ltx要求来写。总是按照h3方式写的。这也是为啥总在ltx上面出错。我现在想办法去抹除掉h3的记忆内容。

Universal_i2v_Enhanced_Prompt_v11_webui_comfyui_connector_home_history eros1.4.py

@kop-wang 说:

1、不要相信LLM对于某个技术的场景判断。这种结论LLM特别依赖于联网检索，相当于是网上有帖子说什么就是什么。我在研究strata的性能优化时，无数次出现LLM参考我自己的帖子的结论给我自己的情况。
尤其是多媒体模型，这东西极度依赖主观判断，至少从我个人经验LLM对于多媒体模型的评价就没对过。

2、多媒体模型舒适区都比较窄。基本上帧率、总帧数、分辨率都没法自定义，只能选官方推荐的组合。

3、LLM驱动comfyUI其实效率挺低的，因为每次执行都不可控，导致你无法沉淀收束到一个真正你想要的流水线上。我的经验是直接工作流导出json锁死，LLM只负责修改提示词和部分参数。

4、“我的flux lora做的12个角色。结果告诉我不能应用到h3里面”这个逻辑其实不太成立。因为目前比较流行的思路都是“首尾帧”或“多参考”生成，这样内容更可控。

不一样的那个H3不支持这些个Lora，不管是ID-Lora， IC-Lora还是flux lora。但是啊，LTX就支持。
我现在也在尝试把这个流程给固定下来，我让大语言做的事情，其实就是提供我的描述和参数给comfy ui。然后当视频生成完以后，做一个自检，然后删除掉自检中不合格的，重新再跑一轮，最后发给我我要的10个或者是20个视频。

@imbiplaza-ASUS 说:

你不断使用模型去驱动模型，其实变相中是使用概率去解决概率的问题，hermes 也没有保证百分百中的，就算他能够保证80%，去到h3 的80%,也是 80 x 80 = 64% 而已。。。

你把你要的需求写成py, 让hermes去驱动你的py, 然后叫hermes 自动分析抽卡的效果，这样效果能够更加稳定

我看了半天没太看懂大佬想要表达的意思。那么写成py不还是语言描述吗？难道写成Python就可以直接在Comfy ui上运行了吗？如果大佬能够帮我确认一下，那么我就直接让我的GPT动起来了。

2、多媒体模型舒适区都比较窄。基本上帧率、总帧数、分辨率都没法自定义，只能选官方推荐的组合。

3、LLM驱动comfyUI其实效率挺低的，因为每次执行都不可控，导致你无法沉淀收束到一个真正你想要的流水线上。我的经验是直接工作流导出json锁死，LLM只负责修改提示词和部分参数。

4、“我的flux lora做的12个角色。结果告诉我不能应用到h3里面”这个逻辑其实不太成立。因为目前比较流行的思路都是“首尾帧”或“多参考”生成，这样内容更可控。

你把你要的需求写成py, 让hermes去驱动你的py, 然后叫hermes 自动分析抽卡的效果，这样效果能够更加稳定

@Tony-Wang 说:

@Thanaots

底座不同, Lora无法通用, 直接转换计算也几乎没有可能.

只能重新训练.

现在花再多时间都值得。先把底层搞定了，未来真的做长视频，就不需要重新训练了。也不需要疯狂抽奖。否则怕角色跳变。
只能慢慢搞了。现在一直在祈祷能跑成。

底座不同, Lora无法通用, 直接转换计算也几乎没有可能.

只能重新训练.