按实践与复盘浏览相关 AIGC 创作资讯，保留原始出处、阶段与证据。
Replicate 发布 Veo 3 图像输入的使用技巧，实测显示模型能在动画中保持输入图的画风、滤镜和调色，并让文字在复杂背景中保持清晰可读。输入图始终作为视频首帧，可用提示词只动画局部元素、其余保持静止，也可先用 Ideogram 3.0 生成特定风格图再交给 Veo 3 做动作与运镜，从而把风格控制交给图像模型。
推荐理由：Replicate 实测了 Veo 3 图像输入在风格保持、文字动画和局部动画上的表现，可据此调整参考图加提示词的创作流程。
Replicate 公开了其 FLUX.1 Kontext [dev] 实现的优化方法 TaylorSeer，用缓存的特征导数配合 Taylor 级数近似被跳过的去噪步，把模型调用从约 30 步降到 10 至 15 步，同时尽量保持质量。
推荐理由：Replicate 公开了 FLUX.1 Kontext 的 TaylorSeer 缓存加速实现，读者可据此理解扩散模型跳步近似与质量取舍。
Replicate 发布 Veo 3 提示词指南，建议在提示词中明确主体、场景、动作、风格、镜头运动、构图与氛围，并单独描述对白、环境音、音效和音乐。文中指出 Veo 3 对同一提示词多次生成结果高度相似，想探索不同效果应改用差异较大的提示词；保持角色描述逐字一致可提升跨场景视觉连续性。
推荐理由：Replicate 基于实测给出 Veo 3 的提示词结构、音频与角色一致性写法，可迁移到视频生成工作流。
Replicate介绍 Google Veo 3 的视频生成能力，并分享一套涵盖镜头构图、焦段效果、风格和运镜的提示词方法。文章还展示了对话与口型同步、视频游戏世界等案例，并给出冰柱特写示例提示词。
推荐理由：文章整理了 Veo 3 的镜头构图、焦段、风格与运镜提示词，并结合对话、口型同步和游戏世界生成案例，便于复用其视频创作流程。
Wan 2.1 支持从文本或图像生成视频，并可通过 LoRA 进行风格迁移。Replicate 提供了 480p 和 720p 的文本生视频模型，以及使用预制权重或自有图片训练风格 LoRA 的流程；自定义训练至少需要 25 张图片和一个 trigger_word。
推荐理由：材料展示了使用预制 LoRA 和自有图片训练风格 LoRA 的 Wan 2.1 视频工作流，包含可复用的输入与训练步骤。
Replicate 介绍了利用合成训练数据改进 Flux 微调模型的方法，涵盖从单张图片生成训练集、筛选模型优质输出再训练，以及组合多个 LoRA 扩展风格。文章还说明了通过 Replicate API 使用 `extra_lora` 和 `extra_lora_scale` 的方式，并建议在 0.9 到 1.1 的范围内调整 LoRA 权重。
推荐理由：文章将单图扩增、筛选微调模型优质输出和组合 LoRA 整理成可复用流程，适合改善 Flux 微调数据的多样性与风格范围。
Replicate 发布教程，展示如何通过其 HTTP API 以编程方式微调 FLUX.1、发布模型并生成图像。教程覆盖训练图片准备、API token、模型创建、数据上传、训练状态检查，以及使用 trigger_word 调用微调模型。使用约20张图片和1000 steps时，训练通常约需20分钟、成本约为$1.85，训练运行在 Nvidia H100 上并按秒计费。
推荐理由：这篇教程把 FLUX.1 微调拆成可执行的 API 流程，涵盖训练数据、成本、版本发布和调用，适合复用到自定义图像模型工作流。
Replicate 发布教程，介绍如何用少量个人照片在 Replicate 上微调 FLUX.1，生成包含本人形象的图像。教程建议至少准备10张不同角度、光线和场景的照片，设置独特触发词，并使用1000步训练。以约20张训练图为例，训练通常需要约20分钟、费用约为$1.85，完成后可通过网页或 API 生成图像。
推荐理由：教程给出个人照片微调、触发词设置和模型调用的完整步骤，并提供1000步训练约20分钟、约$1.85的成本参考，便于复用这套肖像生成流程。
Replicate 支持使用 Ostris’s AI Toolkit 和 LoRA，通过网页或 API 用自有图像微调 FLUX.1 [dev]，以定制特定风格、角色或物体。
推荐理由：文章给出从准备 12–20 张图像到调用微调模型的完整路径，并说明训练时长、成本和 FLUX.1 [dev] 的商业使用边界。