image-generation

AtomicChat 发布了 Qwen-Image-2.1-Turbo 文本编码器（Qwen3-VL-8B-Instruct）的 abliteration（消融处理）版本 GGUF，通过投影移除拒答方向，将聊天拒答率从 88.9% 降至 1.2%，且 MMLU 性能无可测下降。在 45 条敏感提示上的基准测试显示图像输出无变化，因为原版 Qwen-Image 管线本身没有安全检查器。

阿里云 Qwen 团队在 Hugging Face 上发布了 Qwen-Image-2.1-Turbo 图像生成模型，提供更快的图像生成能力。

Qwen-Image-2.1-Turbo发布，基于7B视觉生成架构的加速检查点，仅需8个去噪步骤即可生成高质量2K图像并支持自然语言图像编辑，开放权重并支持Diffusers直接加载。

推广 Grok Imagine Video 1.5 Lite，宣称速度更快、成本约为原来的20%，且保持相近质量。

APEX 提出异步前缀去噪方法，结合分层潜在空间，使单个 token 可同时拥有多个扩散时间步，在极高压缩比下（64 token 超越 256 token 基线）实现更优的图像生成质量。

InstantFusion 提出一个轻量级共享潜空间接口，通过模型特定的潜变量自编码器将异构图像生成器的中间去噪状态投影到统一空间，实现跨模型的状态转移，可用于加速、多偏好组合和跨架构蒸馏。

MixTok 是一种混合视觉 tokenizer，将紧凑的 1D 全局表示与用于局部精修的稀疏 2D token 相结合，通过内容自适应路由器分配 token 预算，在 ImageNet 256x256 上以约 128/131 token 的平均预算达到 rFID 1.195 和 agFID 1.95 的竞争性重建与生成性能。

论文提出表示引导（Representation Guidance，RG），在保持纯 Transformer 架构的前提下，通过低维瓶颈形成并主动利用内部表示来指导像素扩散模型的生成。RG-XL/16 在 ImageNet 256x256 上取得 FID 1.55，并可扩展至文本到图像生成（GenEval 0.89，DPG-Bench 87.1）。

Midjourney 正在其 Alpha 网站上测试图像生成的新‘思考模式’，声称在提示词准确性、排版和连贯性方面有所改进，并通过 Discord 邀请用户提供反馈。

Moonworks 发布 Lunara 论文，提出一种激活参数量低于 10B 的 Diffusion Mixture Transformer 架构，用于图像生成中的艺术智能建模，并在 GPT-5.6 Sol 评测及人工盲评中取得最佳审美质量得分。

该论文提出一种能量自适应的噪声调度与谱白化策略，用于变换域扩散模型，将前向扩散的噪声分配与变换系数的能量分布对齐，在 CIFAR-10 上将紧凑 DCTdiff U-Net 变体的 FID 从 142.48 降至 100.45，同时保持与标准 DDPM/DDIM 的兼容性。

本文提出DiffusionART，一种通过聚合奖励方向进行扩散模型强化学习微调的新方法，消除了一致性力并用信任区域掩码实现免EMA调参的稳定训练，在HunyuanVideo-13B上以约12倍更少的GPU小时数取得显著更高的训练奖励。

该论文将扩散模型、自回归及其混合体统一到一个“腐化格”（corruption lattice）框架中，证明调度的代价等于其与精确采样的散度，并指出零成本调度的最少步数由数据几何（如图的 treedepth）决定，还提出可在解码前预测调度优劣的核估计方法，并在 dLLM、图像与视频生成上验证了预测。

论文提出 Spatial Canvas 接口与海报生成模型 Compo，让用户通过语义、身份、文本和像素四种绑定方式在空间中直接组合生成意图，取代传统的文本提示方式，并支持直接推理与 agentic 模式。实验显示其组合可控性优于通用图像生成与专用海报生成系统，同时保持高视觉质量。

SALD 提出了一种自参考训练框架，通过在两个噪声水平下用同一模型评估图像-文本对来获取训练信号，无需外部教师网络或额外可训练参数，包含优势引导扩散（AGD）、时间优势记忆（TAM）和谱优势分解（SAD）三个组件，在多个架构和数据集上持续提升了生成质量。

Iris-3B 是一个 3B 参数的像素空间文本到图像扩散模型，通过课程式预训练从零训练并与潜空间模型 FLUX.2 Klein 进行对比。结果显示像素空间生成先验在深度估计和图像修复任务上并无显著优势，但证明了像素空间预训练可扩展到与潜空间模型相当的画质。

Nano Banana 2.1 是 Gemini 3 系列模型之一，基于 Gemini 3.6 Flash 构建，支持文本与图像输入并输出图像和文本，上下文窗口达 100 万 token，现已在 Gemini 应用、API、Google AI Studio 等多个产品中上线。

UltraText Bench 是一个双语（英文/中文）基准，包含 24 个场景类别、432 条提示词，用于评估图像生成模型中密集视觉文字的渲染能力。该基准由 Q-Judge 视觉语言模型从文字保真度、清晰度、空间质量和场景质量四个维度进行评分，并揭示了 Z-Image-Turbo 与 Z-Image-Base 等不同模型变体之间明显的权衡关系。

QuadTok 提出了一种基于层次化四叉树的视觉分词器，能够动态地将 token 分配给图像中细节丰富的区域，在 ImageNet 上节省约 10% 的 token，同时使一个 947M 参数的 GPT 式模型在 ImageNet 256x256 上达到 2.08 gFID，并支持零样本空间可控生成。

ComfyUI v0.39.0 已正式发布，为这款模块化的节点图式 AI 创作引擎带来更新。该引擎支持图像、视频、3D 和音频创作，并强调在消费级硬件上实现优化的本地推理。