開源免訓練框架 Numina：讓 AI 影片學會數數，精準控制物體數量

讓 AI 影片模型生成一段畫面已經不算新鮮事，但如果你在提示詞裡明確寫上「兩個孩子、一隻狗、一隻貓」，最後大機率還是會看到三個小孩甚至憑空多出一群寵物。

算不清數、分不清個頭，是眼下所有影片擴散模型的通病。

研究人員正式開源了免訓練框架 Numina，並公佈了相關論文與完整程式碼。它的核心任務非常明確：不碰底層權重，教現有的開源影片模型學會老老實實地「數數」。

甚至不用重訓模型

數錯物體數量這件事，不只是舊模型的問題。材料提到，即便是最頂尖的商業模型如 VO 3.1 和 Grok Imagine，面對指定數量的提示詞時也常常翻車。比如生成三隻山羊時，畫面裡可能突然冒出四個騎車的人。

以往要解決這種對齊問題，通常要麼重新訓練整個擴散模型，要麼做耗時耗力的人工微調，成本極高。

Numina 聰明的地方在於它是「免訓練」（training-free）的。它採用了一套「先識別再引導」（identify-then-guide）的機制。

具體來說，系統在生成早期會篩選出具有辨別力的自注意力和交叉注意力頭，從中提煉出一張可計數的潛空間佈局。

一旦發現佈局裡的物體數量和提示詞對不上，Numina 就會保守地修正這個佈局，並調整交叉注意力權重，直接引導模型重新生成正確的畫面。

在研究團隊推出的 CountBench 基準測試中，Numina 在 Wan2.1-1.3B 模型上將計數準確率最高提升了 7.4%，在 5B 和 14B 版本上也分別提升了 4.9% 和 5.5%，同時改善了 CLIP 對齊度，還沒犧牲畫面前後的時間連貫性。

怎麼把它跑起來

因為它是模型無關（model-agnostic）的架構，並不繫結某一家演算法。

目前該專案已經給出了接入主流開源影片模型的完整程式碼，包括 Wan2.1 和 Wan2.2 的適配示例。研究團隊在 GitHub 上放出了在本地電腦上安裝、下載權重和執行推理的詳細說明。

對於開發者而言，只要本地跑得起原本的開源擴散模型，就可以直接掛載這套引導模組，不用自己額外準備資料集去煉丹。

為什麼重要

這套框架給影片生成的商業落地補上了一塊關鍵短板。

過去很多商業廣告、故事分鏡對角色和道具數量有著硬性要求，AI 哪怕多畫一隻貓或者少畫一個人，整條成片就得直接作廢。抽卡找種子的方式極其浪費算力，而 Numina 證明了通過注意力機制的輕量介入，就能把生成結果框死在指定的結構範圍內。

我們認為，這項研究最聰明的地方在於它沒有盲目追求「端到端」重新訓練，而是把注意力引導做成了外掛式的即插即用外掛。這不僅大幅降低了獨立開發者和中小創作者的部署門檻，也給整個開源影片社群指了一條價效比極高的技術路線。

不過，4.9% 到 7.4% 的準確率提升雖然顯著，但並不意味著它能做到百分之百全對。在複雜動態遮擋、快速運動的多主體場景下，潛空間佈局的捕捉依然存在誤差。但這無疑讓原本只能靠運氣的影片生成，終於邁出了可控的一大步。