标签
Midjourney V8.2 已发布，标志着这款流行的 AI 图像生成模型迎来了新版本。
Google将Nano Banana 2的图像生成功能集成到Google Earth中，用户只需输入提示词，即可可视化历史场景、重新构想空间以及构思房地产方案。
NVIDIA推出并行解码蒸馏（PDD）技术，用于加速图像和视频生成，能够以更少的神经函数评估在LTX-2.3和Wan2.1-14B等模型上实现高质量输出。
微软发布了MAI Image 2.5 Pro，这是一款新的内部AI模型，具备改进的图像生成质量、复杂提示处理、文本渲染和自然语言编辑能力。
并行解码蒸馏（PDD）是一种基于轨迹的蒸馏方法，通过每次网络评估预测多个去噪步骤来加速图像与视频生成，在 LTX-2.3、Wan14B 和 Qwen-Image 等模型上仅需 4-8 次函数评估即可达到最优性能。
本文识别了无分类器引导蒸馏中的一种失败模式，称为负分支不对称性（Negative Branch Asymmetry），其中正负CFG分支中的错误相互抵消，并提出了正方向匹配（Positive-Direction Matching）来分别监督分支，以获得更鲁棒的蒸馏模型。
本文提出频谱对齐（SPA），一种轻量级的引导方法，通过校准中间预测的功率谱来减少扩散模型中的曝光偏差，在像素空间、潜在空间和流匹配模型上均展现出持续改进，且计算开销极小。
微软宣布 MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash 公开预览，这是其最新专为图像和语音场景构建的生成式 AI 模型，现已上线 Azure AI，并为必应图像创建器等微软产品提供支持。
ComfyUI是一款开源的、基于节点的AI创作引擎，让构建者和视觉专业人士无需编码即可设计复杂的生成工作流，支持图像、视频、音频和3D，具备部分重新执行能力和广泛的模型支持。
Black Forest Lab's Flux 3 是一种新型的全模态AI模型，能够生成和预测图像、视频、音频和动作。
BFL 推出了 FLUX 3，这是一个能够生成图像、视频和音频的多模态 AI 模型。
用户 MrLarus 使用 GPT-Image2 创作了两组艺术海报系列——东方留白风格和器乐回响风格，并强调其高级感与细节处理。
Oxygen-TryOn 是一个统一的面向任意单品虚拟试穿的基础模型，通过专用数据引擎和三阶段训练流程，在单件和多件试穿任务上实现了最先进的一致性及逼真度。
提出了ProVisE，一个与基准无关的框架，用于利用像素空间输出评估图像生成模型的空间认知，并引入了SpatialGen-Bench，用于跨14个空间子任务的统一评估。
Dylan Castillo进行了一项严谨的调查，以确定AI实验室是否在秘密训练模型绘制骑自行车的鹈鹕。通过测试多种动物-车辆组合的多个模型，他没有发现'pelicanmaxxing'的证据。
Elon Musk 宣布，Grok Imagine 可以生成美丽的时尚图像。
本文介绍了类型感知修复分配（TARA），这是一个无需训练的框架，将文本到图像提示优化分解为原子修复分配，其中每个失败的命题被路由到类型条件的修复操作符。实验表明，TARA在DSG和TIFA基准测试上跨四个生成器取得了最佳语义准确性，在保持图像质量的同时优于VisualPrompter。
Qwen-Image-3.0 是第三代基础图像生成模型，支持高达 4.5k token 的输入、12 种语言的原生渲染，并能模拟网页、游戏等界面，利用丰富的世界知识实现实际部署。
一项实验让四个视觉模型（GPT-5.6 Sol、Claude Fable 5、Grok 4.5、Gemini 3.6 Flash）在彩铅绘画竞技场中相互较量，要求它们通过工具使用来重现《蒙娜丽莎》和《星夜》等目标。结果显示令人惊讶的成本与质量权衡，其中 Grok 表现挣扎，而 Claude 尽管成本更高却表现不佳。