标签
LARC 为统一多模态模型引入了一种连续空间中的潜在推理框架，以连续隐藏状态推理取代离散词元推理，从而提升图像生成质量并支持测试时扩展，在 GenEval 上的表现比 BAGEL 提升了 7%。
罗切斯特大学和NVIDIA的研究人员开发了一种像素空间扩散模型，能够对AI生成的图像进行精确的局部编辑，而不会意外改动无关的细节，这与ChatGPT和Google Gemini等系统所采用的潜在空间模型不同。
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。
本文提出了维纳信息解码（Wiener-Informed Decoding，WiD），利用从二阶数据统计推导出的解析式维纳滤波风格速度估计器来简化像素空间流模型的训练。该方法在像素解码器中初始化新的通路，并进行联合训练，从而在不同分辨率下提升类别条件生成和文本到图像生成的质量。
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 证明，仅凭图像-文本对即可从零开始训练出强大的文本到图像生成模型，无需大规模语言预训练，并以远低于现有模型的算力取得更优性能。对照实验表明，仅进行语言预训练并不能提升 T2I 生成效果。
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。
论文提出了 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及其与语料分布的对齐程度。
MOSS-Image 是一个开源的 50 亿参数扩散 Transformer，融合了高保真图像合成与意图感知的提示词增强能力，可实现双语长文本渲染与布局一致性生成，并在全新的 LongLongTextBench 和 RealLayoutArena 基准测试上取得了开源模型的最先进结果。
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。