开源免训练框架 Numina：让 AI 视频学会数数，精准控制物体数量

让 AI 视频模型生成一段画面已经不算新鲜事，但如果你在提示词里明确写上「两个孩子、一只狗、一只猫」，最后大概率还是会看到三个小孩甚至凭空多出一群宠物。

算不清数、分不清个头，是眼下所有视频扩散模型的通病。

研究人员正式开源了免训练框架 Numina，并公布了相关论文与完整代码。它的核心任务非常明确：不碰底层权重，教现有的开源视频模型学会老老实实地「数数」。

甚至不用重训模型

数错物体数量这件事，不只是旧模型的问题。材料提到，即便是最顶尖的商业模型如 VO 3.1 和 Grok Imagine，面对指定数量的提示词时也常常翻车。比如生成三只山羊时，画面里可能突然冒出四个骑车的人。

以往要解决这种对齐问题，通常要么重新训练整个扩散模型，要么做耗时耗力的人工微调，成本极高。

Numina 聪明的地方在于它是「免训练」（training-free）的。它采用了一套「先识别再引导」（identify-then-guide）的机制。

具体来说，系统在生成早期会筛选出具有辨别力的自注意力和交叉注意力头，从中提炼出一张可计数的潜空间布局。

一旦发现布局里的物体数量和提示词对不上，Numina 就会保守地修正这个布局，并调整交叉注意力权重，直接引导模型重新生成正确的画面。

在研究团队推出的 CountBench 基准测试中，Numina 在 Wan2.1-1.3B 模型上将计数准确率最高提升了 7.4%，在 5B 和 14B 版本上也分别提升了 4.9% 和 5.5%，同时改善了 CLIP 对齐度，还没牺牲画面前后的时间连贯性。

怎么把它跑起来

因为它是模型无关（model-agnostic）的架构，并不绑定某一家算法。

目前该项目已经给出了接入主流开源视频模型的完整代码，包括 Wan2.1 和 Wan2.2 的适配示例。研究团队在 GitHub 上放出了在本地电脑上安装、下载权重和运行推理的详细说明。

对于开发者而言，只要本地跑得起原本的开源扩散模型，就可以直接挂载这套引导模块，不用自己额外准备数据集去炼丹。

为什么重要

这套框架给视频生成的商业落地补上了一块关键短板。

过去很多商业广告、故事分镜对角色和道具数量有着硬性要求，AI 哪怕多画一只猫或者少画一个人，整条成片就得直接作废。抽卡找种子的方式极其浪费算力，而 Numina 证明了通过注意力机制的轻量介入，就能把生成结果框死在指定的结构范围内。

我们认为，这项研究最聪明的地方在于它没有盲目追求「端到端」重新训练，而是把注意力引导做成了外挂式的即插即用插件。这不仅大幅降低了独立开发者和中小创作者的部署门槛，也给整个开源视频社区指了一条性价比极高的技术路线。

不过，4.9% 到 7.4% 的准确率提升虽然显著，但并不意味着它能做到百分之百全对。在复杂动态遮挡、快速运动的多主体场景下，潜空间布局的捕捉依然存在误差。但这无疑让原本只能靠运气的视频生成，终于迈出了可控的一大步。