那么目前比较经典的控制网模型在本文或者之前的文章中都有涉猎，已经基本介绍完毕，更多的还需要小伙伴们自行进行探索，大部分都是找到对应的预处理器和控制网模型略作调整即可，知道其功能才能更好的进行使用。当然，你可以去使用更接近真实设计质感的大模型，这样生成的建筑或室内设计的图片会更具有真实感。我们还是沿用上一篇文章中搭建的工作流，按下图中，将Controlnet加载器更换成对应的。下面分别展示：第一张为

在之前文章中，我们已经介绍过腾讯开源最新视频模型如何使用ComfyUI，目前腾讯混元视频模型已经支持LORA训练了，这也意味着混元视频模型逐步成熟。LORA的训练意味着LORA训练作者可以根据需求训练增强视频素材，包括画面风格、主体人物、视频镜头控制或者是场景故事等。我们这次将介绍一下如何在无阶未来训练混元LoRA，本次以图片的形式作为素材训练，介绍如何使用素材进行混元丹炉训练的基本方法。我们登录

本月，阿里云发布并开源了全新的推理模型。通过大规模强化学习，千问QWQ-32B在数学、代码及通用能力上实现质的飞跃，整体性能比肩Deepseek-R1。在保持强劲性能的同时，千问QwQ-32B还大幅降低了部署使用成本，在消费级显卡上也能实现本地部署，其参数量约为 DeepSeek-R1 满血版的 1/21 且推理成本是后者的1/10，仅需4张4090，就可以部署一个QWQ满血版。

在之前文章中，我们已经介绍过腾讯开源最新视频模型如何使用ComfyUI，目前腾讯混元视频模型已经支持LORA训练了，这也意味着混元视频模型逐步成熟。LORA的训练意味着LORA训练作者可以根据需求训练增强视频素材，包括画面风格、主体人物、视频镜头控制或者是场景故事等。我们这次将介绍一下如何在无阶未来训练混元LoRA，本次以图片的形式作为素材训练，介绍如何使用素材进行混元丹炉训练的基本方法。我们登录

本月，阿里云发布并开源了全新的推理模型。通过大规模强化学习，千问QWQ-32B在数学、代码及通用能力上实现质的飞跃，整体性能比肩Deepseek-R1。在保持强劲性能的同时，千问QwQ-32B还大幅降低了部署使用成本，在消费级显卡上也能实现本地部署，其参数量约为 DeepSeek-R1 满血版的 1/21 且推理成本是后者的1/10，仅需4张4090，就可以部署一个QWQ满血版。