Tag
本文提出一种免训练的方法，利用从条件嵌入空间到图像空间映射的局部回拉几何来识别最大输出敏感度方向，通过引导不同采样轨迹沿这些方向偏移，在保持与条件信号一致的同时提升条件扩散模型生成样本的多样性。
论文提出一种针对扩散模型的“修正训练”框架，通过训练一个以基模型自身预测为输入的修正器来缩小训练-推理差距，显著提升无引导/无条件生成的样本质量，并可通过蒸馏将收益无损保留到基模型中。
Jev now supports images, with lm15 already compatible, and users can try it on the playground or in supported languages.
该论文提出了 Knowledge Transfer Probing (KTP) 协议，研究通过图像生成训练是否能扩展预训练统一多模态模型的知识，并引入文本对齐与图文交错对齐方法以提升文本端知识访问能力。
White Circle researchers found that off-the-shelf jailbreak techniques can bypass safety filters in OpenAI's and Google's image generators (DALL·E 3, GPT-Image-2, Nano Banana 2), generating explicit content about 13% of the time. The public benefit corporation plans to open-source the attack pipeline and present findings at NeurIPS 2026.
Elon Musk shared a video created with Grok Imagine, quoting a creator who re-rendered it without harsh flashing effects for viewers sensitive to them, highlighting both Grok's media generation capabilities and accessibility considerations.
CommerceGen-Studio 提出一个三阶段端到端框架（PERL-Agent、Layout Thinker Optimization、SKU-DiT），用于生产级电商主图生成，日处理量达数百万张、单图延迟数秒，并发布 CommerceGen-Bench 基准，在编辑任务上超越多个开源基线并匹敌部分闭源大模型。
Intern Lumina U2 is presented as the first diffusion language model using multi-codebook discrete visual tokens to unify image, video, and 3D generation with text in a single backbone, achieving leading performance and 4.45x faster image generation via stability-aware sampling.
Higgsfield AI leverages GPT-6 Astra to extend AI-generated video from 1 minute to over 10 minutes, enabling smaller creative teams to produce high-end campaigns, instructional content, and production-ready code, with future plans for voice-to-movie creation.
Black Forest Labs 发布 FLUX 3 Image Klein，一个 5.6B 开放权重文本生图与图像编辑模型，支持最多 10 张参考图像、提示词中的边界框定位，并提供 BF16、FP8 和 NVFP4 多种检查点格式。
DiffusionART 提出一种聚合优先奖励倾斜（Aggregation-First Reward Tilting）的在线强化学习微调方法，通过消除前向-后向一致性力和引入信任域掩码更新，在无需 EMA 调参的情况下稳定高效地微调扩散模型，在 HunyuanVideo-13B 上以约 12 倍更少 GPU 时达到并超越 DiffusionNFT 与 Flow-GRPO-Fast 的效果。
CacheScope 提出一种训练无关的扩散模型推理加速方法，通过归一化浅层探测变化信号在线识别高风险缓存步骤并回退到精确计算，在 FLUX.1-dev、Wan2.1 和 Open-Sora 上实现最高 3.57 倍加速及 LPIPS 中位数降低 70.1%。
提出AReA：一种训练自由的注意力机制，其感受野随去噪过程从粗到细自适应演化，用于实现高效高分辨率Diffusion Transformer图像生成，在多个分辨率和模型上超越现有无训练基线且更快速。
推文称 Claude 下一代模型正在 Claude Code 上内测，其生成的图像/视频效果惊人，号称将让现有图像与视频生成模型过时，甚至超越 Sora 和 Opus。目前仅为用户测试爆料，未经官方证实。
作者分享了 Qwen-image2.1 "去审查版" 的本地部署教程，称在仅 8G 显存的 RTX 5060 上即可运行，并整理了 5 个常见坑点，提醒大家适度使用。
An introduction to AtomicChat's "decensored" text encoder for Qwen-Image-2.1-Turbo, released on HuggingFace in GGUF quantized form, plus a complete tutorial for running it locally with ComfyUI on 8GB VRAM (RTX 5060). Includes the full file download checklist, node configurations, 5 real-world gotchas with their fixes, and prompt examples.
OpenMOSS 发布了 MOSS-Image-Base 文生图基础模型，支持自然语言提示、标签序列和 JSON 布局控制文本位置与物体排列，并配套 SFT 版本、ComfyUI 插件和提示增强工具。
AtomicChat 发布了 Qwen-Image-2.1-Turbo 的无审查（uncensored）GGUF 量化版本，量化阶梯从 3.3 GB 到 16.4 GB，可使用 llama.cpp、Ollama、LM Studio 等工具在本地运行图像生成。
开发者 loktar00 展示 GLM 5.3 Flash 在本地 RTX 3090 显卡上通过 JavaScript 直接生成图像（而非专门的图像模型），展示了开源模型在消费级硬件上的强大本地推理能力。
DGX Monarch是個人開發的開源專案，讓使用者能在雙DGX Spark叢集上透過ComfyUI進行圖像/影片生成，達到近2倍的渲染速度提升，支援BF16/FP8/NVFP4/INT8等多種精度。作者同時分享了使用AI輔助開發此專案所耗費的各平台訂閱成本。