NVIDIA官方demo，使用自然语言在图像或视频中定位任意物体，基于LocateAnything论文。

Gradio 视频生成“总控台”，把多种模型封装成统一界面，支持文本生成视频、图生视频和视频续写等一站式操作，经常搭配 Wan2.2 等前沿 I2V/T2V 模型作为后端。