Tag
LARC introduces a latent reasoning framework in continuous space for unified multimodal models, replacing discrete token reasoning with continuous hidden-state reasoning to improve image generation quality and enable test-time scaling, achieving a 7% GenEval gain over BAGEL.
University of Rochester and NVIDIA researchers developed a pixel-space diffusion model enabling precise, localized edits to AI-generated images without unintentionally altering unrelated details, unlike latent-space models used by systems like ChatGPT and Google Gemini.
IDM: Intrinsic Distribution Matching 提出让生成器自身同时提供分数监督和分布匹配表示的方法，在保留完整 DMD 校正的基础上，对生成器 EMA 特征的均值和逐坐标标准差添加显式损失。在 2 NFE 预算下，基于 Z-Image 的 IDM 在 LongText-CN 和 LongText-EN 上取得最佳分数。
AMD 发布了针对其 Ryzen AI NPU 优化的 Stable Diffusion 3.5 Medium，可在 Hugging Face 上获取，实现高效的本地文本到图像生成。
AuroraAI-Research 发布了 AuroraIMG2-50M-Preview，一个基于 5040 万参数流匹配扩散 Transformer 的 256×256 文生图模型，搭配 1260 万参数文本编码器，全部从零训练仅需单卡 RTX PRO 6000 上 10 小时完成。
提出 StruPO，一种结构感知的提示编辑器，利用校准场景图作为共享表示，将结构反馈转化为可复用的编辑策略训练信号，在保持场景忠实性的同时提升文生图的美学质量。
提出「先知后画」的混合学习范式，用自回归预训练获取语义知识、扩散后训练进行高保真渲染，并建立计算最优扩展律，仅用6,600 H100 GPU小时训出3B文生图模型，在GenEval和DPG-Bench上取得86/87的成绩。
This paper introduces Wiener-Informed Decoding (WiD), which leverages analytic Wiener-filter-style velocity estimators derived from second-order data statistics to ease training of pixel-space flow models, initializing new pathways within pixel decoders that are jointly trained for improved class-conditional and text-to-image generation across resolutions.
T-DIG 通过训练一个以用户指定变化轴为条件的 LLM，生成多样化的图像提示，并利用图像奖励反馈进行优化，从而在冻结的图像模型（如 GPT Image 2 和 Gemini）上提升文本生成图像的多样性。
Comfy-Org 发布 Fibo-2.0 的 ComfyUI 重打包模型文件，包含 bf16 与 int8 量化版本，并附带 Qwen3-VL 4B 文本编码器与 FLUX2 VAE，供非商业用途使用。
DiffusionRVGE 提出一种基于回归的价值梯度估计方法，通过对中心化奖励与中心化去噪图像进行回归来构建扩散模型的 RL 更新方向，无需奖励导数或穿过采样轨迹的反向传播，在匹配 DiffusionNFT 效果的同时显著降低训练计算成本。
Halcyon demonstrates that strong text-to-image generation can be trained from scratch on image-text pairs without large-scale language pretraining, outperforming existing models with far less compute. Controlled experiments show text-only pretraining does not improve T2I generation.
MOSS 发布新的开源图像生成模型，拥有 5B 参数并采用 Apache 2.0 许可，支持通过 JSON 进行精确布局控制以及 4K token 的长提示词。
OpenMOSS 发布了 MOSS-Image 家族的新模型 MOSS-Image-SFT，这是一个基于 MOSS-Image-Base 进行监督微调的文本生成图像模型，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，并提供 diffusers 和 ComfyUI 集成。
论文提出 Mine-Sample-Render (MSR) 测试时方法，从真实语料中挖掘可解释的类别结构并据此采样属性配置，再将生成模型用作条件渲染器，以提升天气报告、用户模拟、网页设计、文生图及3D资产等多种生成任务的输出多样性与语料分布对齐度。
MOSS-Image is an open 5B diffusion transformer combining high-fidelity image synthesis with intent-aware prompt enhancement for bilingual long-form text rendering and layout-coherent generation, achieving state-of-the-art open-weight results on the new LongLongTextBench and RealLayoutArena benchmarks.
提出 OmniVerifier-C1，一种将复杂多模态规则分解为逐点评分的分级视觉验证器，通过解耦强化学习与成对验证提升规则驱动的生成式世界建模的准确性与泛化能力。
提出 Routing Policy Optimization（RPO），在扩散生成器内部通过随机注意力路由引入探索，以对齐奖励信号，同时保留原始确定性采样器，并在文本到图像/视频生成上实现相比 Flow-GRPO 方法近 4 倍的训练效率提升。
SCOPE 提出一种基于 GRPO 的语义边界信用优化目标，通过在语义 span 内聚合策略对数概率变化来改进文本到图像生成的提示重写，在 GeneVal 和 T2I-CompBench 上相比原始 GRPO 分别提升 9.48% 和 7.62%。
Black Forest Labs 的 FLUX.3 Image Klein 发布，支持文生图、多参考图生图以及基于边界框的布局控制，且在 Diffusers 中首日即可运行，蒸馏版在 H100 上约 2 秒生成 1024×1024 图像。