
7月27日,由米粒影业(MILI PICTURES)出品的中国首部3D动画巨制《龙之谷:破晓奇兵》在北京蓝色港湾传奇时代影城抢先上映。该片由迪士尼金牌制作人比尔·伯顿领衔,好莱坞主创与中国本土一线动画团队并肩作战,最终打造了这部中国动画电影史上,投资最大,制作最精良的视效动画大片。联想作为米粒影业IT基础架构合作厂商,以ThinkStation工作站为《龙之谷:破晓奇兵》提供独家IT技术支持,承担了计算机图形(CG)动画制作的重任,以完美技术将艺术灵感化为现实。
联想集团中国区大客户事业部PC产品营销总经理王立平在首映礼上表示:“联想ThinkStation工作站自2008年问世以来,就以创新、高品质的产品获得了客户的认可,保持了19个季度在中国的业绩快速增长,在2013年底,联想ThinkStation中国区市场份额达到了32.8%。而DCC领域是我们今年重点发力的市场,此次与米粒影业合作,无疑将强化联想ThinkStation在DCC领域的领导力,我们也期待与米粒影业通过技术+艺术的创新,推动国内动漫电影与国际的接轨。”
米粒影业CTO徐喆介绍到,在《龙之谷:破晓奇兵》影片制作过程中,每一帧的文件大小约为1~2GB,每一个特效镜头的文件大小在50~100GB左右,而整部电影有大约500个特效镜头,仅特效镜头的渲染就是一项极为繁重的处理任务,如果在传统平台上进行渲染,很难在有限时间内完成。而通过联想ThinkStation搭建的集群渲染农场,渲染效率得到了25%的提升,《龙之谷:破晓奇兵》的制作周期缩短至18个月,领先于国际公司同品质作品24个月的制作周期。
无疑,《龙之谷:破晓奇兵》顶尖的制作水准和故事情节编排是其两大杀手锏,这也使其在今年5月法国戛纳电影节大放异彩,赢得国际众多专业人士的一致好评。而光环的背后,少不了制作团队的辛苦耕耘,以及顶级技术平台的鼎力支持。根据米粒影业创作团队的分工,联想ThinkStation工作站家族为其提供了量身定制的产品,基于英特尔至强E3-1200v3、E5-1600v2、E5-2600v2处理器, 联想ThinkStation工作站以更加稳定、强大的计算性能满足从美术、形象设计、场景设计到特效等不同部门的多样化需求。比如,前期的美术设计对硬件的要求相对不高,但需要超高的稳定性,联想提供了入门级的ThinkStation E系列和主流的ThinkStation S30工作站;而作为整个动画电影制作的核心部门,动画部门对显卡要求极高,因此配备了旗舰型的联想ThinkStation D30工作站,用户可随需轻松扩展;而对于后期渲染和片段合成,联想为其提供了灵活性最强的ThinkStation C30集群,最高配备24核的英特尔至强E5-2600v3处理器,以满足渲染对CPU线程数量、超大内存和海量存储的需求。在后端,以249台联想ThinkStation工作站为核心构建的渲染集群可轻松应对制作高峰期超过2,000亿次数据请求,以及100TB以上的7×24小时数据存储需求。 “两年多的时间里,ThinkStation工作站故障率不超过3%,在几百台工作站里只有几台发生过返修和调整。” 米粒影业负责特效制作的宋志远对联想工作站的稳定性表示了肯定。
据悉,《龙之谷:破晓奇兵》将于7月31日正式登陆全国院线。未来,联想ThinkStation工作站还将参与米粒影业后续作品的创作,加速中国动漫影视产业的创新,让灵感加速实现。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。