AI 艺术工具通讯

2024-2025年AI艺术工具回顾与展望
原创 于 2025-02-20 17:30:25 发布 · 1k 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能

创刊号 🎉

AI 领域的发展速度令人惊叹，回想一年前我们还在为生成正确手指数量的人像而苦苦挣扎的场景，恍如隔世 😂。

过去两年对开源模型和艺术创作工具而言具有里程碑意义。创意表达的 AI 工具从未像现在这般触手可及，然而这仅仅是冰山一角。让我们共同回顾 2024 年 AI 艺术领域的关键突破与创新工具，并展望 2025 年的发展趋势 (剧透预警 👀: 我们将启动月度资讯精选的订阅👇)。

2024 重大发布

2024 年哪些创意 AI 工具最引人注目？我们将重点盘点艺术创作领域的重要发布，特别关注文生图、视频生成等热门任务中的开源进展。

2024 年重要时刻时间轴
2024 年重要时刻时间轴

图像生成

自初代 Stable Diffusion 掀起开源文生图浪潮已逾两年，如今在文本到图像生成、图像编辑和可控生成领域，开源模型已能与闭源产品分庭抗礼。

手指生成梗图
手指生成梗图

文生图

Flux 模型效果展示
Flux 模型效果展示

2024 年见证了扩散模型的范式转变——从传统 U-Net 架构转向扩散 Transformer (DiT)，同时目标函数也进化为流匹配 (flow matching)。

技术速览: 扩散模型与 高斯 流匹配本质相通。流匹配通过不同的向量场参数化方式，为网络输出提供了新视角。

  • 推荐阅读Google DeepMind 的技术博客，深入了解流匹配与扩散模型的关联。https://diffusionflow.github.io

实践进展: Stability AI 率先推出Stable Diffusion 3，而腾讯混元 DiT则成为首个开源的 DiT 架构模型。后续AuraFlow、Flux.1和Stable Diffusion 3.5延续了这一趋势。

  • Stable Diffusion 3https://hf.co/stabilityai/stable-diffusion-3-medium

  • 腾讯混元 DiThttps://hf.co/Tencent-Hunyuan/HunyuanDiT

  • AuraFlowhttps://hf.co/fal/AuraFlow

  • Flux.1https://hf.co/black-forest-labs/FLUX.1-dev

  • Stable Diffusion 3.5https://hf.co/stabilityai/stable-diffusion-3.5-large

在开源图像生成模型的里程碑中，Flux.1的发布堪称革命性。该模型在多项基准测试中超越 Midjourney v6.0、DALL·E 3 (HD) 等闭源模型，刷新了开源模型的性能纪录。

Flux.1https://hf.co/black-forest-labs/FLUX.1-dev

个性化与风格化

图像模型的进步带动了个性化生成技术的飞跃。2022 年 8 月，Textual Inversion和DreamBooth等开创性工作实现了 向文生图模型注入概念，极大扩展了应用边界。这些技术催生了 LoRA 等改进方案，推动个性化生成进入新阶段。

  • Textual Inversionhttps://textual-inversion.github.io

  • DreamBoothhttps://dreambooth.github.io

个性化技术对比
个性化技术对比

然而，微调模型的质量受限于基础模型性能。Stable Diffusion XL (SDXL) 的发布为开源个性化生成树立新标杆，当前多数个性化方案仍基于 SDXL 架构。随着对扩散模型各组件语义角色的深入理解，我们不禁思考: 能否实现不进行额外繁琐优化的高质量生成？

Zero-shot 技术风暴来袭 ——2024 年见证了仅需 单张参考图 即可生成高质量人像的技术突破。IP-Adapter FaceID、InstantID、PhotoMaker等免训练方案展现出媲美微调模型的实力。

  • IP-Adapter FaceIDhttps://hf.co/spaces/multimodalart/Ip-Adapter-FaceID

  • InstantIDhttps://hf.co/spaces/InstantX/InstantID

  • PhotoMakerhttps://hf.co/spaces/TencentARC/PhotoMaker-V2

InstantID 效果展示
InstantID 效果展示

图像编辑与可控生成 (如边缘/深度/姿态控制) 也取得长足进步，这既得益于基础模型的发展，也源于社区对模型组件的深入理解 (Instant Style、B-LoRA)。

  • Instant Stylehttps://hf.co/spaces/InstantX/InstantStyle

  • B-LoRAhttps://hf.co/spaces/Yardenfren/B-LoRA

未来展望: 尽管 DiT 架构模型 (如 Flux、SD3.5) 已开始探索个性化的应用，但对 DiT 组件语义角色的理解尚不及 U-Net 深入。2025 年或将揭开 DiT 的组件奥秘，释放新一代图像模型的全部潜能。

视频生成

相较图像生成，视频生成仍任重道远。但必须承认，我们已取得显著进步。OpenAI 的 Sora 极大提升了行业预期，正如 fofr 在《AI 视频正迎来 Stable Diffusion 时刻》中所言——它让人们看到了可能性。

https://replicate.com/blog/ai-video-is-having-its-stable-diffusion-moment

近期开源视频模型的爆发 (CogVideoX、Mochi、Allegro、LTX Video、混元视频) 同样值得关注。视频生成面临画面动作是否自然、前后画面是否流畅、人物外观是否保持一致等多重挑战，加之计算资源需求巨大，导致生成延迟较高。尽管内存优化和量化技术可缓解硬件压力，但往往会影响生成的质量。尽管如此，开源社区仍在持续突破，最新进展可参阅开源视频生成模型现状。

  • CogVideoXhttps://hf.co/THUDM/CogVideoX-5b

  • Mochihttps://hf.co/genmo/mochi-1-preview

  • Allegrohttps://hf.co/rhymes-ai/Allegro

  • LTX Videohttps://hf.co/Lightricks/LTX-Video

  • 混元视频https://hf.co/tencent/HunyuanVideo

  • 开源视频生成模型现状https://hf.co/blog/video_gen

虽然多数用户仍难以本地运行视频模型，但这也预示着 2025 年将迎来更大突破。

音频生成

音频生成在过去一年突飞猛进，从制作简单的声音效果到创作完整的歌曲都取得了很大进步。尽管面临信号复杂度高、训练数据稀缺等挑战，2024 年仍涌现OuteTTS、IndicParlerTTS等开源语音合成模型，以及 OpenAI 的Whisper large v3 turbo语音识别模型。2025 年开年即迎来Kokoro、LLasa TTS、OuteTTS 0.3等语音模型，以及JASCO、YuE音乐模型的集中发布，预示着音频领域将迎来爆发年。

  • OuteTTShttps://hf.co/OuteAI/OuteTTS-0.2-500M

  • IndicParlerTTShttps://hf.co/ai4bharat/indic-parler-tts

  • Whisper large v3 turbohttps://hf.co/openai/whisper-large-v3-turbo

  • Kokorohttps://hf.co/hexgrad/Kokoro-82M

  • LLasa TTShttps://hf.co/HKUSTAudio/Llasa-3B

  • OuteTTS 0.3https://hf.co/OuteAI/OuteTTS-0.3-1B

  • JASCOhttps://hf.co/models?search=jasco

  • YuEhttps://hf.co/m-a-p/YuE-s1-7B-anneal-en-cot

下方歌曲由 YuE 生成🤯

2024 闪耀创工具

开源之美在于集社区之力探索模型新可能。本年度众多创意工具正是这种协作精神的结晶:

Flux fine-tuning

ostris开发的AI 工具包助力社区创作出惊艳的Flux 微调模型。

  • ostrishttps://hf.co/ostris

  • AI 工具包https://github.com/ostris/ai-toolkit

  • Flux 微调模型https://hf.co/spaces/multimodalart/flux-lora-the-explorer

Face to All

受face-to-many启发，Face to All将爆款模型Instant ID与深度 ControlNet、社区微调的 SDXL LoRA 结合，实现免训练的高质量风格化人像生成。

  • face-to-manyhttps://github.com/fofr/cog-face-to-many

  • Face to Allhttps://hf.co/spaces/multimodalart/face-to-all

  • Instant IDhttps://hf.co/spaces/InstantX/InstantID

Face to All 效果展示
Face to All 效果展示
Flux 风格塑形

基于Nathan Shipley的 ComfyUI 工作流，Flux 风格塑形通过融合 Flux [dev] Redux 与 Depth 模型，实现风格迁移与视错觉创作。

  • Nathan Shipleyhttps://x.com/CitizenPlain

  • Flux 风格塑形https://hf.co/spaces/multimodalart/flux-style-shaping

风格塑形效果
风格塑形效果
智能图像外扩

Diffusers Image Outpaint利用 SDXL Fill Pipeline 与联合 ControlNet，实现无缝图像外扩。

https://hf.co/spaces/fffiloni/diffusers-image-outpaint

动态人像

Live Portrait与Face Poke让静态人像瞬间动起来。

  • Live Portraithttps://hf.co/spaces/KwaiVGI/LivePortrait

  • Face Pokehttps://hf.co/spaces/jbilcke-hf/FacePoke

TRELLIS 3D 引擎

TRELLIS以惊艳效果重塑 3D 生成格局，支持多样化高质量资产创建。

https://hf.co/spaces/JeffreyXiang/TRELLIS

IC Light

IC-Light通过前景条件实现智能光影重构。

https://hf.co/spaces/lllyasviel/IC-Light

2025 年 AI 艺术趋势展望

2025 年将是开源社区在视频、动态与音频模型领域迎头赶上的一年。随着高效计算与量化技术的突破，开源视频模型有望实现跨越式发展。当图像生成进入自然平台期，我们的目光将转向多模态创新。

强势开局: 2025 年 1 月开源新作

  1. YuE 音乐生成模型

Apache 2.0 协议开源的YuE在音乐生成质量上比肩 Suno 等闭源产品，在线体验。

  • YuEhttps://hf.co/m-a-p/YuE-s1-7B-anneal-en-cot

  • 在线体验https://hf.co/spaces/fffiloni/YuE

  1. 3D 生成三剑客

继 TRELLIS 之后，混元 3D-2、SPAR3D、DiffSplat持续革新 3D 生成领域。

  • 混元 3D-2https://hf.co/tencent/Hunyuan3D-2

  • SPAR3Dhttps://hf.co/stabilityai/stable-point-aware-3d

  • DiffSplathttps://hf.co/chenguolin/DiffSplat

  1. Lumina-Image 2.0

这款 20 亿参数的文生图模型以 Apache 2.0 协议开源，性能比肩 80 亿参数的 Flux.1，在线体验。

  • 文生图模型https://hf.co/Alpha-VLLM/Lumina-Image-2.0

  • 在线体验https://hf.co/spaces/benjamin-paine/Lumina-Image-2.0

  1. ComfyUI 转 Gradio 指南

这份教程详细介绍了如何将复杂 ComfyUI 工作流转换为 Gradio 应用，并免费部署于 Hugging Face Spaces。

https://hf.co/blog/run-comfyui-workflows-on-spaces

开启资讯新时代 🗞️

从本期开始，我们 (Poli与Linoy) 将每月为您精选创意 AI 领域最新动态。在这个快速迭代的领域，我们愿做您的信息顾问，让创意工具触手可及。

  • Polihttps://hf.co/multimodalart

  • Linoyhttps://hf.co/linoyts

英文原文:https://hf.co/blog/ai-art-newsletter-jan-25

原文作者: Linoy Tsaban, Apolinário from multimodal AI art

译者: yaoqih

Hugging Face
关注
博客
ZeroGPU Spaces 加速实践：PyTorch 提前编译全解析
09-04 258
它高效、灵活，非常适合演示，不过需要注意的是，ZeroGPU 并不能在所有场景下完全发挥 GPU 与 CUDA 栈的全部潜能，比如生成图像或视频可能需要相当多的时间。根据模型的不同，这个过程可能需要几十秒到几分钟，对于 Spaces 中的实际 GPU 任务来说，这显然太慢了。通过提前编译，我们可以在一开始导出已编译的模型，将其保存，然后在任意进程中即时加载。否则，如果存在不兼容问题，就会报错。例如，在 Wan 系列视频生成模型中，如果你希望编译后的模型能够生成不同分辨率的内容，就会遇到这种情况。
博客
开源开发者须知：欧盟《人工智能法案》对通用人工智能模型的最新要求
08-19 1375
根据 其第 3 条第 63 款 的定义，GPAI 模型是指：“人工智能模型，包括那些通过大规模自监督方式训练、具备显著通用性，并能够胜任多种不同任务的模型，无论其在市场上的投放方式如何，该类模型都能够被集成到各种下游系统或应用中。虽然《网络弹性法案》的措辞可能对《人工智能法案》的解释不具备约束力，但其中的这一表述以及其他相关措辞确实指向一种理解，即在FOSS 许可下提供的软件，并不总是、也并非本质上就应当被视为《网络弹性法案》意义下的“商业活动”，特别是在生产者未对其进行“商业化”的情况下。
博客
欢迎 GPT OSS —— 来自 OpenAI 的全新开放模型家族！
08-06 1248
在 GPT OSS 中，system 消息遵循严格格式，并包含当前日期、模型身份以及推理强度等级等信息，而 “developer” 消息则更为自由，这 (令人困惑地) 使它类似于其他模型的 “system” 消息。Hugging Face 与 Azure 合作，将最受欢迎的开源开放模型 (涵盖文本、视觉、语音与多模态任务) 直接引入 Azure AI Model Catalog，便于客户在托管在线端点中安全部署，借助 Azure 的企业级基础设施、自动扩缩与监控能力。轻松在多张 GPU 上部署。
博客
Hugging Face 开源机器人 Reachy Mini 开启预定
07-09 1203
无论是 AI 开发者、极客或黑客、科研人员、教育工作者、机器人爱好者，还是与孩子一同学习编程的家长，Reachy Mini 都能帮助你在桌面环境中高效完成 AI 应用的开发、最新算法的测试、项目的实际部署以及创新成果的共享。：通过上传、下载和分享机器人行为，实现行为复用与组合创新，随着 Reachy Mini 社区的发展，可能性将呈指数级扩展。：与 Hugging Face 社区超千万用户一起，上传、分享与下载机器人行为，共同扩展智能机器人的边界。：集成摄像头、麦克风与扬声器，支持基于 AI 的视听交互。
博客
开源人工智能：数字主权的基石
06-30 1013
像 OLMO2（一个相对较小的模型，其训练方法和数据完全透明，性能与 OpenAI 的 o1-mini 相当）或 OlympicCoder（一个更小的模型，在复杂编码任务上性能超过最新的 Claude 模型）这样的开源项目，充分体现了协同创新在构建先进人工智能模型中的潜力。这种能力的积累，不仅有助于形成符合本地价值观与监管要求的人工智能系统，更是面向未来的关键竞争力，在人工智能深度塑造经济、治理与社会结构的时代背景下，具有不可替代的长期战略意义。：确保在一国领土内生成的数据受该国法律和治理结构的约束。
博客
nanoVLM: 简洁、轻量的纯 PyTorch 视觉-语言模型训练代码库
06-18 1084
该模块将视觉主干网络产生的图像嵌入作为输入，并将它们转换为与语言模型嵌入层的文本嵌入兼容的嵌入。减少了图像标记的数量，这有助于降低计算成本并加快训练速度，特别是对于对输入长度敏感的基于 transformer 的语言解码器。下图演示了这个概念。在这篇博客中，我们介绍了什么是 VLM，探讨了支撑 nanoVLM 的架构选择，并详细解释了训练和推理工作流程。，可以帮助你构建和训练一个能够理解图像和文本，并基于此生成文本的模型。如果你尝试了它，并在它的基础上尝试构建，或者你只是有问题，我们都很乐意听到你的反馈。
博客
HF Papers 直播｜ AI Insight Talk 强化学习专场
06-12 861
研究方向为多模态通用感知模型、多模态大模型后训练算法，在人工智能国际顶级会议及期刊发表论文十余篇，谷歌学术累计引用超过1900次，作为核心作者（共一二作）参与研发的多模态大模型InternVL-Chat系列模型在HuggingFace社区累计下载量突破1000万次，开源代码在Github获得stars超过8000个。已在 NeurIPS，ICLR，ACL 等国际顶级会议上发表多篇论文，谷歌学术引用量 600+，担任 NeurIPS 等顶级会议审稿人。为了更好的社区互动过，我们在本次直播加入了圆桌讨论环节。
博客
SmolVLA: 让机器人更懂 “看听说做” 的轻量化解决方案
06-05 1439
从左到右: (1) 异步的拾取 - 放置立方体计数，(2) 同步的拾取 - 放置立方体计数，(3) 在扰动下的拾取 - 放置立方体计数，(4) 在真实世界 SO101 上的乐高积木拾取 - 放置任务泛化。与学术基准不同，社区数据集自然地捕捉到了杂乱、现实的互动: 多变的光照、不完美的演示、非常规物体和异质的控制方案。在过去的几年里，Transformers 技术推动了人工智能的显著进展，从能够进行类人推理的语言模型到理解图像和文本的多模态系统。然而，在实际的机器人领域，进展则相对较慢。
博客
参加 Hugging Face 组织的 Gradio & MCP 智能体主题黑客松
05-27 1171
一场以智能体 (Agent) 和模型上下文协议 (Model Context Protocol，简称 MCP) 为核心的全球在线黑客松即将来袭！Model Context Protocol (MCP) 是一个开放协议，旨在标准化应用如何向大语言模型 (LLM) 提供上下文信息。：在 6 月 8 日 23:59 (UTC) 之前提交至对应的 Hugging Face Spaces。构建一个完整的 AI 智能体展示应用 (可使用 MCP，也可以不使用) ，让我们看到它真正能做些什么！
博客
大模型评估排障指南 | 关于可复现性
05-13 766
它们在标准测试集 MATH-Hard 上预测的答案完全正确，但在 few-shot 简单模板测试中评估得分反而较低，很可能就是过拟合了 GSM8K 数据集 (另一个数学测试集) 的 prompt 和答案格式。，如果不看代码，你可能觉得就是上文提到的那样，直接对比预测结果和参考答案，不过: 如果查看代码会发现，在做对比之前预测结果还多做了一步归一化 (去除标点符号、统一数字格式等)，这明显会改变对比得分。(没错不用惊讶，不一致时也会影响结果差异，因为不同模型对不同样本的表现是不一样的)。
博客
大模型评估排障指南 | 关于 LaTeX 公式解析
05-07 381
或者往代码里添加人工检查来提高模型得分。在几乎陷入问题陷阱之后，我们认为在代码中添加字符串比较检查差不多就能缓解这个问题了。解析真值 (用真值自身对比测试) 只能得到约 0.94 的准确率。来表示数学领域的计算和符号。评估难点在于对模型输出与标准答案的解析和比较。(一个用于符号数学的 Python 库) 来对 LaTeX 进行解析和比较。的模型时经常会遇到，例如 Hugging Face 的。解析 LaTeX 很难。这个问题在评估输出为。lm-evaluation 框架使用。无法解析某些 (标准的。
博客
设计即合规: 开放AI生态中的用户数据治理实践
04-30 1291
通过将数据完全保留在用户的本地环境中，它从根本上改变了传统的 “知情同意” 模式，使许多对数据外泄的担忧变得不再成立，除非用户主动设置将数据传出。这种分布式的方法也促成了多种用户知情同意机制的实践形式 —— 既包括强调 “隐私优先设计” (privacy-by-design) 原则的严格框架，也包括为大规模数据集提供“选择退出” (opt-out) 通道的灵活机制。与那些更复杂、长期的数据管理系统不同，该方法强调的是即时、基于当前会话的控制，让用户在每一次使用时都能清楚地掌控自己的数据使用权。
博客
大模型评估排障指南 | 关于推理
04-24 843
即在 layer 级拆分模型，不同的 layer 被分配到不同的 GPU 上。由于推理时前向过程是线性的，例如 layer 1 的输出是 layer 2 的输入，因此 layer 2 分配的 GPU 需要等待 layer 1 的计算结束才能开始 (也叫 “冒泡 (bubble)”)，同时数据和中间结果也需要 GPU 间传输，这也就导致执行速度较慢。更一般地，确保输入模型的样本的上下文大小是按从大到小的顺序，这样如果上下文大小过大，模型就会直接报错，避免了模型一开始正常运行，直到某个时间才出问题。
博客
让 LLM 来评判 | 技巧与提示
04-09 720
例如，成对比较模型的训练集数据格式中提供了参考答案，如果在评估时没有给定参考答案或者给定的参考答案格式有误，那么评估结果就不可信。例如在某些特定领域 (如医学、法律、数学等)，如果标注员专业性不够，那么得到的结果可能跟直接采用 LLM 一样差。：同一 prompt 输入评估模型执行多次得到的结果可能不一样 (如果温度参数不设为 0)。例如对于施加了相同程度噪声的文本，使用评估模型评估文本质量的评分无法反映噪声的程度。缓解措施：仔细遵循评估模型训练集 prompt 格式 (比如指令微调模型的格式)。
博客
Open R1 项目进展第三期
04-03 700
虽然最终子任务通常是完整问题，但其他大多数子任务往往是难度较低的问题，参赛者可以选择解决部分子任务以获得部分分数，而不是尝试完美解决完整问题 (完美得分非常罕见)。虽然我们计划未来通过模型生成并验证更多具有挑战性的测试用例，添加到我们的 CodeForces 数据集中，但目前我们转向了其他地方寻找完整可用的题目数据。具体来说，我们先提交针对问题最后一个子任务的解决方案，然后依次提交针对倒数第二个、第三个子任务的代码，同时跳过已解决的子任务。不过不管怎样，我们试过的所有数据集里，打包的表现都不如不打包。
博客
Open R1 项目进展第二期
03-31 1240
虽然我们升级了 Math-Verify，让它能更好地处理这些怪格式 (后面会讲改进)，但还是找了个备用方案: 用 Llama-3.3-70B-Instruct 当“裁判”，从被拒的答案里救回一些靠谱的。DeepSeek 团队生成了 60 万条推理记录，用来微调 Qwen 和 Llama 系列模型，结果证明，不用强化学习，直接从 R1 “蒸馏”出来的效果也很棒。除此之外，我们还聊聊社区里一些让人兴奋的进展，比如怎么整理出小而精的高质量数据集来微调模型，以及如何在训练和推理时控制推理模型的“思考步数”。
博客
Open R1 项目进展第一期
03-28 1088
但效果不好，吞吐量低，只能同时处理 8 个请求，GPU 的 KV 缓存很快就满了。DeepSeek R1 发布已经两周了，而我们启动 open-r1 项目——试图补齐它缺失的训练流程和合成数据——也才过了一周。我们这才刚起步呢，打算把训练流程弄完，在小模型上试试，再用放大版的推理流程搞出高质量的数据集。虽然大家还在研究 DeepSeek-R1 的成果和报告，但这款模型在发布短短两周后，就已经火遍了大街小巷，吸引了无数目光。: 一个超棒的合成推理数据集，有 114k 个例子，数学、科学、代码、谜题啥都有。
博客
为什么 AI 模型离科学革命还差得很远？
03-26 1037
文章的核心观点是，在未来一两年内，我们将拥有一个“装在数据中心里的爱因斯坦之国”，所有 21 世纪的科学发现将在短短 5 到 10 年内被一股脑地完成，从而压缩了整个世纪的科技进程。现在，我们评估 AI 模型智能提升的方式，大多是通过一些“高难度考试题”，比如所谓的“人类的最后一场考试”或 “Frontier Math”，这些测试由博士生设计，问题复杂但都是封闭式、明确有标准答案的题目。在我看来，按照当前的发展路径，我们真正可能得到的，是“一国的服务器上全是唯唯诺诺的好学生”，而不是爱因斯坦。
博客
常见的 AI 模型格式
03-25 958
GGUF 格式的 Llama-3.1 8B 模型示例，链接https://hf.co/bartowski/Meta-Llama-3.1-8B-Instruct-GGUF/tree/main。虽然也可以将其用于其他类型的模型，例如通过stable-diffusion.cpp实现的扩散模型，但这并不像在语言模型中的应用那样普遍。
博客
SmolVLM2: 让视频理解能力触手可及
03-21 1455
模型与演示全集https://hf.co/collections/HuggingFaceTB/smolvlm2-smallest-video-lm-ever-67ab6b5e84bf8aaa60cb17c7。虽然属于实验性发布，但期待它能激发更多创新应用。微调笔记https://github.com/huggingface/smollm/blob/main/vision/finetuning/SmolVLM2_Video_FT.ipynb。我们推出三款新模型 (2.56 亿/5 亿/22 亿参数)。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值