VA-TDM:以速度對抗蒸餾改善少步擴散模型的統一方法
VA-TDM結合速度對抗蒸餾(VAD)與軌跡感知監督,在文字生成圖像和文字生成影片中,於多種模型骨幹上取得四步生成的最先進表現。VAD透過學習到的判別器比較學生與教師的速度場,並統一分數蒸餾、基於Fisher的匹配及矩匹配。VA-TDM可擴展至33B MiniMax-H3;按人類偏好評分,其表現明顯優於少步 Fast-H3,並更接近原始多步 H3。
VA-TDM結合速度對抗蒸餾(VAD)與軌跡感知監督,在文字生成圖像和文字生成影片中,於多種模型骨幹上取得四步生成的最先進表現。VAD透過學習到的判別器比較學生與教師的速度場,並統一分數蒸餾、基於Fisher的匹配及矩匹配。VA-TDM可擴展至33B MiniMax-H3;按人類偏好評分,其表現明顯優於少步 Fast-H3,並更接近原始多步 H3。
OpenAI 於 11 月 4 日推出 ChatGPT Images 2.6,新增直接生成 GIF 和依參考圖片編輯畫面的功能。兩款供開發者使用的 API 模型 GPT-Image-2.6 Flare 和 Sunburst 同步推出,亦支援圈選指定區域修改及輸出 SVG。OpenAI 稱整體出圖速度提升約 50%,但 Kingy 的水瓶 GIF 測試在末幀接回首幀時出現明顯跳變。
Logos AI 讓用戶輸入業務名稱、行業和簡短描述,再以 Gemini 理解業務構想並生成標誌概念,包括設計風格、配色方案和字體建議。Imagen 會把這些概念轉化為視覺標誌設計,目標是讓沒有設計經驗的人也能更輕鬆、快捷地製作標誌。
ComfyUI 可用於搭建 AI 漫劇本地量產流水線,涵蓋源碼部署、劇本批量解析、分鏡生成、圖生影片及 FFmpeg 合成。方案以 IPAdapter 和 ControlNet 維持角色一致性,並提供 8G 顯存優化設定及 ComfyUI API 批量渲染腳本。攻略面向本地部署的個人創作者,無需雲端算力。
當地時間11月4日,OpenAI 發佈圖像生成模型 Images2.6,並向全球用戶開放,支援在 ChatGPT、Codex 及 API 使用。Images2.6 的圖像生成速度較上一版本提升50%,並加強多輪編輯的細節控制,以及角色、產品和品牌元素的一致性;新增的 GIF 生成功能可把靜態圖像、角色或產品視覺轉為循環動畫。
推薦理由:API 的 Flare 在低質量設定下最快可在6秒內生成圖像,Sunburst 則側重更高質量和編輯一致性,呈現不同取向。
這套方案以 GGUF 量化模型搭建面向 8G 顯存的 AI 漫劇本地自動化流水線,串連劇本拆分、分鏡生成、批量繪圖、影片插值與 FFmpeg 合成。Python Agent 負責劇本解析和任務調度,並透過顯存分層調度避免 OOM;流程全程離線運行,支援 9:16 竪版成片。
OpenAI 發佈 ChatGPT Images 2.6,用戶可用提示詞或上傳圖片生成循環 GIF,並調整播放速度及單獨修改畫格。ChatGPT 和 Codex 所有訂閲級別今日可用;API 同步推出 GPT-Image-2.6 Flare 和 GPT-Image-2.6 Sunburst,定價與 Images 2.5 相同,均為每百萬輸出 token 30 美元。
推薦理由:Images 2.5 尚需生成 36 張連續畫面並用 Codex 拼接,Images 2.6 則可直接生成 GIF,呈現動畫製作流程的變化。
OpenAI 於 2026年11月5日宣佈,ChatGPT 正式支援原生 GIF 生成,提供動畫速度調節、單幀編輯及分享功能。功能依託新發布的 Images 2.6 模型,用戶可輸入文字提示詞或上載圖片生成 GIF;更新已推送至所有 ChatGPT 及 Codex 用戶,涵蓋網頁、桌面及手機端。
OpenAI 升級 ChatGPT 圖像能力,用戶現在可透過提示詞或上傳照片生成 GIF,並調整動畫速度、逐格編輯及分享。Images 2.6 同步推出,並令圖像生成速度更快;OpenAI 表示,用戶目前每週透過 ChatGPT 及其 API 生成超過 40 億張圖片,較 9 月公佈的每週 30 億張增加。
OpenAI 在 ChatGPT、Codex 和 API 推出 Images 2.6,稱其生成圖片速度提升 50%。新版本新增按提示詞或相片製作動畫 GIF 的功能。
OpenAI 推出圖像模型 Images 2.6,為 ChatGPT 新增 GIF 生成、播放速度調整及逐幀查看和編輯功能。官方稱,圖片生成速度較此前提升 50%;Images 2.6 已向全球 ChatGPT 和 Codex 用戶開放,涵蓋所有訂閲級別,並支援網頁、桌面及流動端。
推薦理由:這次更新涵蓋面向用戶的 GIF 生成與逐幀編輯,也同步推出兩款圖像 API 模型,可瞭解 ChatGPT 與開發者端各自獲得的更新。
阿里雲 2026 雙十一指南整理四大產品線優惠,並拆解 Qwen-image-3.0 架構及 API 實作方法。新用戶可領取超 7000 萬免費 Token,額度有效期為 90 天;模型支援 4.5K Token 提示詞,單輪最多傳入 3 張參考圖。
OpenAI 推出 Images 2.6,供 ChatGPT、Codex 及 API 使用,提升圖片生成速度及編輯控制。
推薦理由:正文列出 Flare 與 Sunburst 的生成特點,並説明複雜度設定的使用情境,為 API 模型選擇及調校提供參考。
OpenAI 為 ChatGPT 推出 Images 2.6 更新,現可透過提示詞或上載照片生成 GIF,並可調整動畫速度、編輯單格畫面及分享。更新亦加快圖像生成;OpenAI 表示,用戶目前每週透過 ChatGPT 及其 API 生成超過 40 億張圖片,高於 9 月公佈的每週 30 億張。
推薦理由:更新把 GIF 生成、逐格編輯和分享整合至 ChatGPT,並提供每週圖片生成量由 30 億增至逾 40 億張的對照。
OpenAI 為 GPT-Image-2.6 Sunburst 和 GPT-Image-2.6 Flare 評估安全風險,並為兩款模型套用生物風險緩解措施。針對 310 個違規 GIF 的評估中,使用生成提示詞和畫格網格進行審核的召回率為 77.66%;兩款模型均未達到生物或網絡安全能力的 High 門檻。
OpenAI 推出 Images 2.6,ChatGPT 現可透過提示詞或上載照片生成 GIF,並可調整動畫速度、編輯單格畫面及分享。OpenAI 表示,Images 2.6 亦令 ChatGPT 生成圖片更快;用戶目前每週透過 ChatGPT 及其 API 生成超過 40 億張圖片,高於 OpenAI 9 月公佈的每週 30 億張。
Ideogram Blog 比較 7 款面向包裝、零售及 CPG 創意工作的 AI 工具,按適用場景、輸出與交付方式,以及定價模式整理差異。文章以 Ideogram 4.5 製作 LUMA 氣泡水包裝概念,檢視標籤文字在配色、場景及材質修改後的可讀性。文中亦提醒,生成圖需與核准包裝稿、印前流程及實際交付檔案核對,不能取代正式生產稿。
Ideogram 比較 Ideogram、Adobe Firefly、Getty Images、Bria、OpenAI 和 Google Cloud 六個平台的商用圖像授權與知識產權保障。文章提醒,商用使用許可不等於享有版權、作品具獨有性或獲得賠償保障,保障範圍須按合約、模型及使用途徑核實。文中亦整理簽約前應核實的素材權利、數據控制、企業權限及 API 承諾,並列出發布 AI 圖像前應保留的記錄。
Ideogram Blog 比較 8 款面向大型電商目錄的 AI 產品攝影工具,涵蓋產品場景生成、現有圖片整理、服裝上身圖及 API 工作流程。文中將 Ideogram 定位於場景與品牌創意變化,Photoroom 和 Claid 適合批次整理現有商品圖片,Botika 則專注服裝上身圖;各工具的批次處理方式、整合需求和收費模式各有不同。
Ideogram 的指南比較八個 AI 圖像生成平台,按重複風格或主體、特定產品或場景,以及字體、標誌和版面控制等需求説明如何選擇。文章比較自訂訓練、參考圖和品牌控制的用途,並整理各平台在資料集準備、部署、模型匯出、私隱及費用上的差異。
Ideogram Blog 整理 8 款 iPhone AI 圖像生成 App,按原創生成、對話式修改、照片編輯、設計排版及本機生成等用途介紹其特點。文章列出免費方案、起始付費價格及相容要求,價格採用美國 App Store 資料。作者在 iPhone 實測 Ideogram 的海報生成、改字和換背景,其他 7 款則根據官方 App Store 資料及説明頁整理。
Ideogram Blog 橫向比較 8 款 AI 圖像放大工具,整理各工具的適用用途、最高放大或輸出規格及存取方式。文章以 Ideogram 4.5 生成的 1024 × 1024 貓像作測試素材,檢查眼睛、鬍鬚、耳毛、項圈織紋及胸毛等細節,並比較輸出尺寸與影像變化。文中亦按相片、插畫及文字用途説明工具選擇,並提醒放大可能改變細節,應檢查最終尺寸下的線條、紋理和色彩。
Miraviso 讓髮型師與客戶在平板電腦上逐步調整髮色造型,讓客戶在開始前預覽效果。髮型師可從客戶照片建立造型,調整全頭或只染髮束,並比較不同版本;每次預覽約需三十秒。照片經 Google 的 Gemini 模型在歐洲伺服器處理,須取得客戶同意才會開始,預覽標示為「AI-generated preview」。
OpenAI 的 Images 2.6 更新讓 ChatGPT 和 Codex 用戶可由文字提示詞或上載照片生成動畫 GIF,並正向所有用戶推出,涵蓋網頁、桌面及流動應用程式。
OpenAI 隨 Images 2.6 為 ChatGPT 加入原生動畫 GIF 製作與編輯功能,用戶可由文字提示詞或上載照片生成 GIF,並調整播放速度、修改個別影格、逐格檢視及分享成品。
OpenAI 為 ChatGPT 推出動畫 GIF 生成功能及 Images 2.6,讓用戶可由文字提示詞或上載照片製作 GIF。用戶可調整播放速度、查看和編輯單一畫格並分享;Images 2.6 亦令 ChatGPT 圖像生成更快,現正向網頁、桌面及手機上的 ChatGPT 和 Codex 用戶推出。
ChatGPT 現可透過提示詞或上載照片生成 GIF,並可調整動畫速度、編輯個別影格及分享。這項更新伴隨 OpenAI 的 Images 2.6 推出;OpenAI 表示,ChatGPT 和其 API 每週生成超過 4 billion 張圖片,高於其 9 月報告的每週 3 billion 張。
Pangram 於 2026 年 11 月 4 日公佈兩款電腦視覺模型:Pangram Image 1.0 用於檢測 AI 生成圖像,較小、較快的 Pangram Image Flash 1.0 則逐格分析 AI 影片。
簡單遊戲聊天機械人應以審核流程、明確延遲預算和經測量的後備方案,評估 DALL-E、Stability AI 和 Midjourney。評估時應使用固定測試集,並在發布檢查中分別衡量分類準確度、圖像接受率、p50/p95/p99 延遲及人工審核佇列等候時間。
ComfyUI Models 的指南整理了 MOSS-Image 在 ComfyUI 使用 `--fp16-unet` 時出現黑圖或純噪點的排查方法,並指出大型圖像或額外 LoRA 會令接近 fp16 上限的數值溢出。
作者團隊以自有硬件為 Bedford Misfits 的歌曲《Love is everywhere》製作音樂影片,全程沒有使用素材庫片段。團隊先用 ComfyUI 和 DreamShaper XL 在自有伺服器製作 20 個靜態場景,再用 FreeVideo 為 4 個重點場景生成動態,其餘場景則以 Ken Burns 平移、縮放及交叉淡化處理。
作者以五組提示詞對照測試 GPT Image 2.5 的 Flare 與 Sunburst,發現兩者並非品質高低之分,而是分別適合處理光線與文字、介面或版面配置。
Callirra 的 Nano Banana 2.1 圖像生成按解像度收費:1K 為 3 credits、2K 為 4 credits、4K 為 5 credits。
小米在 REDMI K100 上線 WorldCast 3D 運鏡功能,可將相簿中的靜態照片生成大角度 3D 運鏡影片。該功能由小米視覺生成框架 WorldCast 支援,透過畫面深度結構還原三維場景並虛擬相機軌跡,運鏡期間持續保持主角外觀一致。
小米在 REDMI K100 上線 WorldCast 3D 運鏡功能,可將相冊中的靜態照片生成大角度 3D 運鏡影片。運鏡可環繞、推拉及傾斜,並在過程中保持人物五官、髮型和衣着一致。WorldCast 透過解析畫面深度結構還原三維場景並虛擬相機軌跡;小米稱團隊將進一步探索更複雜的運鏡形態、更長的連續生成及可控 4D 影片生成技術。
LongBanana 是一個針對長上下文多參考圖像合成、由專家設計及驗證的基準,包含 90 項任務及共 4,670 個專家指定的原子評估項目。每項任務約有 32 張參考圖像和 20 項約束,並以圖像中的實體與關係圖評估內容保真度、關係綁定及整體約束滿足度。研究亦提出 LongBanana-Gen;實驗顯示,精簡的智能體框架優於直接生成,而 RPR 工作流程的成效視乎框架而異,程式碼及數據已公開。
OpenAI 消費者產品負責人 Adam Fry 表示,ChatGPT 每週活躍用戶已達12億,過去兩個月增加約2億。ChatGPT 每週處理的搜尋類查詢量約為 Google 的五分之一,語音輸入及語音對話周活躍用戶合計達2.5億,每週生成圖片15億張。
推薦理由:ChatGPT 搜尋查詢量約達 Google 的五分之一,文章亦把語音與圖像使用規模、Chat 和 Work 整合計劃放在同一脈絡,呈現產品擴展方向。
小米自研視覺生成框架 WorldCast 已搭載於 REDMI K100,可將相簿中的單張靜態照片轉成具環繞、推拉及傾斜運鏡效果的 3D 影片。其方案先以深度估計模型把二維照片轉成帶顏色的 3D 點雲,再以幾何對齊的記憶注意力機制(GAMA)補充角色背面等不可見區域的外觀資訊。
LocModel 是面向 Windows 的開源模型本地運行工具,整合硬件檢測、GGUF 模型載入、文生圖、影片生成及 Agent 自動化任務。它支援顯存不足時將部分模型層調度至系統記憶體或磁碟,並適配 8G 顯存;用戶可離線生成素材及執行本地自動化流程。
FlowTranslator 是一個無需訓練的圖像內機器翻譯框架,利用擴散軌跡控制在保留周邊視覺脈絡的同時,於圖像中生成譯文。在 EasyOCR 回讀測試中,其平均 PRIM BLEU 和 COMET 分數分別為 20.6 和 57.2,優於採用訓練的基線 UniTranslator。