开源视觉语言模型：从参考图反推电影级摄影提示词，ChatGPT 效果不佳

一名电影创作者向社区求助，希望找到能从参考图生成高还原度摄影提示词的开源视觉语言模型，避免普通图像描述。模型需理解镜头角度、景别、构图、景深、光线、人物站位等摄影细节；ChatGPT 试过但输出过于笼统，发帖者还寻求可本地部署的 ComfyUI 节点或工作流建议。