MOSS-Image 教學:以 JSON 座標控制圖像中的物件佈局
作者示範以 JSON 指定物件座標、大小和可選細節,控制 MOSS-Image 生成圖像時的佈局。作者測試 MOSS-Image-SFT 時,JSON 佈局約有 80% 的生成結果能正確放置物件,自然語言描述約為 40%。作者建議要精確放置物件時使用 SFT 而非 Base,並提供 ComfyUI 工作流 JSON 和提示詞合集的 GitHub 連結。
作者示範以 JSON 指定物件座標、大小和可選細節,控制 MOSS-Image 生成圖像時的佈局。作者測試 MOSS-Image-SFT 時,JSON 佈局約有 80% 的生成結果能正確放置物件,自然語言描述約為 40%。作者建議要精確放置物件時使用 SFT 而非 Base,並提供 ComfyUI 工作流 JSON 和提示詞合集的 GitHub 連結。
GLOW-FM 提出單步 latent flow-matching 框架,透過凍結的 Tiny-VAE 潛在空間進行條件傳輸,並以 Terminal Velocity Matching(TVM)只需一次函數評估,提升低光影像。實驗顯示,小型版本僅需 34 GFLOPs,影像品質具競爭力,跨數據集泛化達到最先進水平;程式碼將於論文發表後公開。
Dify 教學示範如何搭建跨平台文案 chatflow,從指定網頁擷取內容並改寫為適合不同社交平台的文案。流程透過 Jina AI 解析網頁文字與圖片,並使用 Dify 0.8.0 加入的並行執行功能,生成 Redbook、Instagram 和 Twitter/threads 文案。其後可用迭代流程產生圖片提示詞,經 getimg.ai 生成圖片並輸出連結。
百度發佈 ERNIE-Image,這是一款採用 8B 參數 DiT 的開放權重文生圖模型,並提供 ERNIE-Image-Turbo。ERNIE-Image 通常需 50 步推理,Turbo 經 DMD 和 RL 優化後只需 8 步。博客列出的四項基準結果中,ERNIE-Image 均位列前三,並在開放權重模型中排名第一。
Node.js 處理 AI 生成的 PNG 時,重複將二進制資料轉成 Base64 再解碼,可能引發格式錯誤。建議在生成介面解碼一次,之後以二進制上傳,並在資料庫提交前核對物件大小及 image/png 類型。服務應使用預簽署連結交付圖片,並由伺服器端工作程序負責上傳。
Getty Images 週三在特拉華州申請 Chapter 11 破產保護,以削減債務並推進私有化。Getty 家族關聯方與 Koch Equity Development 將注資最多 $533M,債券持有人同意減免 $270M 債務,程序預計年底前完成。公司表示業務將照常運作,但公開市場股東預計不會獲得任何款項。
MythicCanvas 是一款以 Google AI Studio 和 Gemini 圖像模型打造的奇幻肖像生成與角色設計工作室,整合肖像生成、提示詞編輯、角色設定、角色卡及角色庫。應用程式使用 gemini-3-pro-image-preview 生成肖像,並以 gemini-nano-banana-2.1 根據提示詞編輯圖像;生成支援 1K、2K 和 4K 解析度。
外賣平台 Just Eat 因 AI 生成的餐廳菜式圖片出現錯誤而致歉,表示正移除錯誤圖片,並暫停製作更多圖片,直至 AI 進一步發展。AI 把煙肉雞蛋梳打麵包誤生成汽水杯中漂浮的煙肉和雞蛋,也把芝士卷變成壽司;報道指出,菜名的特定語境及拼寫錯誤都造成混淆。有顧客表示,菜式的實際外觀有助決定向哪間餐廳下單或點甚麼。
Han Lou以50張真實照片及50張AI生成圖像測試4款偵測器;Sightengine和Hive各處理全部100張,準確率分別為99%和95%。AI or Not和WasItAI分別只測20張及9張,作者指出樣本不足以排名;Sightengine和Hive均未把50張真實照片誤標為AI,但小樣本結果不構成保證。
Han Lou 以100張圖片測試4款 AI 圖像判定工具,指出整體準確率不足以呈現誤判風險,真實照片被標成 AI 尤其值得關注。Sightengine 和 Hive 各測試100張,準確率分別為99%和95%,兩者都沒有把50張真實照片誤判為 AI;AI or Not 只測試20張,WasItAI 只測試9張,結果不足以作完整排名。
Black Forest Labs 以開放權重形式發佈 5.6B 圖像生成模型 FLUX 3 Image Klein,並針對消費級 GPU 進行優化。BF16 權重需要 12.2GB 記憶體,FP8 權重需要 5.6GB;INT8 版本可透過 ComfyUI 或 Diffusers 在配備 8GB 顯存的 NVIDIA GeForce RTX GPU 上運行。
Black Forest Labs 於 10月15日開源 FLUX 3 Image Klein 圖像生成模型,參數量為 5.6B,並針對消費級 GPU 作優化。其 INT8 版本需 8GB 顯存,在 RTX 4070/5090 等設備上生成 1MP 圖像分別需時不足 9 秒及約 4 秒。模型支援文字生成圖像、圖像編輯、多參考生成及原生 4K 輸出,並具備像素級編輯與圖案限位能力。
Black Forest Labs 以開放權重形式發佈 5.6B 參數的 FLUX 3 Image Klein,並針對消費級 GPU 作優化。
AI Image 是一款免費雲端工作室,將 Flux、Midjourney、GPT Image、Grok、Ideogram、Seedream、Nano Banana、Qwen 等模型整合到同一介面和點數額度,供用戶製作風格一致的產品靜照。
作者的貼紙套裝流程以腳本製作符合平台格式的 CSV、防止重複上載及產生封面,但標題、關鍵字、圖片品質和封面是否吸引人仍須人手判斷。每批 40 組套裝約需 90 分鐘檢查中繼資料及挑選生成圖片;整套流程曾在 1 vCPU、2 GB RAM 的伺服器上封裝 39 件產品,輸出共 856 MB。
Coldplay Affair AI 將兩人的照片合成到 AI 生成的演唱會大屏幕畫面中,製成簡單的網頁工具。工具可使用每人一張清晰照片,或一張包含兩人的照片;影片採用連續 12 秒鏡頭,輸出為 9:16 直度、720p MP4,約需 3 分鐘渲染。照片會在 24 小時內刪除,工具與 Coldplay 無關。
作者拆解其照片風格轉換應用如何用 Cloudflare Queues 處理付費 AI 圖像任務,並以 D1 交易、冪等鍵及條件式任務認領,避免重複扣款和佇列重送時再次呼叫模型。若任務在處理中卡住超過 15 分鐘,排程工作會將其標記失敗並退款;生成前的視覺檢查可攔截含糊要求,生成後則評估結果,並在修復未改善時保留先前版本。系統亦會在每次付費呼叫前按每日預算預留成本,再按供應商用量資料結算。
這篇教程示範如何透過 Nano Banana Images API 的 HTTP endpoint 提交圖像編輯請求,並把結果接入工作流。請求以 action、image_urls 和 prompt 指定操作、素材與修改要求,回應會提供 task_id、trace_id 及成功結果的 image_url。
作者將個人網站改造成由六個房間組成的互動建築,訪客點選房間後,像素角色會帶路進入相應頁面。網站以 Astro 靜態生成,文章以 Markdown 檔案儲存,沒有資料庫、管理面板或在伺服器上執行的程式碼。吉祥物、房間及行走動畫由 gpt-image 生成後再手工整理,程式碼則由作者與 Claude Code 一同編寫。
T-DIG 透過指定圖像生成中需要變化的方向,提升文字生成圖像的多樣性。研究團隊以圖像獎勵的回饋訓練大語言模型生成多樣化提示詞;圖像模型保持凍結,這種方法亦適用於 GPT Image 2 和 Gemini。
Recraft 的指南建議先完成並分配兒童繪本稿件,再製作角色設定表,並以固定畫風和角色參考圖維持各頁插畫一致。Recraft Studio 的 V4 Styles mode 可用最多 10 張參考圖建立可重用風格,無需訓練;編輯模型亦可接受最多 10 張參考圖。接近完成的頁面可透過局部編輯調整指定元素,避免重新生成整頁造成角色走樣。
10月19日,Adobe 宣佈 Lightroom 移動版新增生成式 AI「睜眼」修圖功能,可修復閉眼照片,並生成與原圖光線、角度及人物特徵相符的眼睛。系統會參考用戶 Lightroom 照片庫中同一人物的其他影像,令生成眼睛的顏色、大小及形狀高度一致。更新已推送至全球 iOS 和 Android 用戶。
Adobe 宣佈,Lightroom 移動版新增「睜眼」生成式 AI 修圖功能,用戶點一下即可修復照片中閉上的眼睛。該功能會參考 Lightroom 照片庫中同一人物的其他照片,讓生成的眼睛在顏色、大小和形狀上與本人相符,並配合照片光線與人物姿勢。
Adobe 宣佈 Lightroom mobile 現可透過生成式 AI 一鍵為相片中閉眼的人物生成睜眼效果。偵測到人物閉眼時,應用程式會在相片上顯示 Open Eyes Quick Action;生成結果會參考 Lightroom 圖庫中同一人物的其他相片,以匹配眼睛的顏色、大小和形狀,並配合光線與姿勢。
Instagram 可能根據照片檔案中的 C2PA、IPTC 或 XMP 標記加上「AI info」標籤,文章説明如何先用 ExifTool 檢查檔案。使用 `exiftool -all = -o clean.jpg photo.jpg` 可把清除所有中繼資料的版本另存為 clean.jpg,但亦會移除版權、相機與鏡頭資料、GPS、ICC 色彩描述檔及方向資訊。
Yosta 分享為個人項目製作 OG 圖片及 App Store、Google Play 商店截圖的流程,將 AI 生成圖像與程式合成真實介面和文字分開處理。流程以 Nano Banana Pro 生成背景和吉祥物等素材,並以 1200×630 製作 OG 圖片、以 1024×500 製作 Google Play feature graphic。
Tesla Wrap Pro 讓 Tesla 車主在瀏覽器中自訂車輛螢幕顯示的數碼外觀,並以圖庫、編輯器及即時 3D 預覽設計。手動編輯、3D 預覽及 PNG 下載免費;可選 AI 工作流程可按文字或參考圖片生成設計,但需帳戶及預付點數。設計可匯出為 PNG,供支援的 Tesla Paint Shop 使用,惟需按車款及軟件版本核對相容性;產品不提供實體貼膜或安裝服務。
作者構建並推出 AI Cartoon Generator,這是一個面向卡通、動漫和漫畫創作者的創作平台,採用 Next.js App Router(透過 OpenNext)、Cloudflare Workers、D1 和 R2。文章分享如何分拆工作負載、處理 R2 快取部署、使用 D1 batch() 進行原子批次操作,以及驗證 ISR;作者稱部署流程縮至 45 秒,頁面載入時間低於 50ms。
作者分享 Kivide 將 19 個圖像及影片模型整合至同一工作室的工程設計,聚焦模型能力描述、點數計費與提示詞層。系統以模型規格資料驅動介面、定價和生成端點,按模型及方案計算成本;Pro 年繳用戶支付標準價格的 60%,生成前預扣點數,失敗時退款並以生成 ID 防止重複退款。提示詞示例強調鏡頭角度、動作動詞和物理細節,並將內容拆分為主體、動作、鏡頭、氛圍及品質欄位。
文章示範如何在展示或儲存 AI 生成圖片前,先把圖片位元組送交 NSFW Detect API 審核,再按頂層分類與信心門檻決定放行、送審或拒絕。文章列出約 0.8 s 處理 140 KB JPEG、約 1.3 s 處理 1.2 MB PNG 的實測延遲;審核 API 出錯時會將圖片送交審核。
Halcyon 證明,多模態自回歸模型只用圖文配對資料從零開始訓練,無需大規模語言預訓練,也能實現高質素文字生成圖像。Halcyon-0.52B 以少 18.2 倍的預訓練計算量,取得優於 LlamaGen-XL/8 的 gFD 評分;Halcyon-1.6B 亦以少 275 倍的計算量優於 JiT-T2I-XXL/8++。研究亦發現,純文字預訓練不會提升文字生成圖像效果。
作者以 ChatGPT Image 2.5 和 Nano Banana 2.1 建立兩階段「Lock & Render」流程,將單模型難以兼顧的語義理解與空間渲染分開處理。
RoAR-VAE 透過穩健預測改善視覺 tokenizer,平衡影像重建保真度與下游擴散模型的可學習性。在相同訓練預算下,其生成基準平均分數較最強基線 tokenizer 高 2.19 分,小字重建準確度則較 FLUX.1-VAE 高 16.93 個百分點。RoAR-VAE 結合 RobustAlign 和 RobustRecon,分別從受損潛在表示預測預訓練語義特徵,以及重建清晰影像。
Promtix 為 AI 照片生成工具設計按用途調整的身份鎖,讓參考照片中需要保留的人物特徵不被預設文字覆蓋。身份敏感且附有參考照片時,指示模型以照片為準處理膚色、年齡、體型及性別;A/B 對照顯示,啟用鎖定後膚色和年齡更貼近來源照片,場景則不受影響。髮型試戴工具採用較窄的身份鎖,不鎖定髮型;作者指出,同一原則也適用於髮色和鬍鬚工具。
TextRIRO 以圖像擾動建立自配對真實資料,配合條件式擴散模型進行場景文字編輯,提升真實場景中的準確度與視覺真實感。研究發現,結合字元欄位打亂與圖像裁剪可破壞文字語義,同時保留風格線索;TextRIRO-3M 亦可提升長文本識別模型的準確度。
Renova 以提示詞驅動的影像編輯模型配合浮水印,建立 AI 空間改造流程,讓用戶點按後數秒內,把房間、房屋外觀、花園或泳池照片改成指定風格的同一空間。提示詞會保留空間結構、建築格局和拍攝角度,多種改造工具共用同一核心步驟。Renova 以同一套程式碼支援 iPhone、Android 和網頁版,並讓同一帳戶及設計記錄在各平台間延續。
Sherwood示範如何使用其維護的 Apify Actor「Bulk AI Image Generator」,以一次 API 呼叫批量提交提示詞並取得每張圖片的結果。
作者比較 TextToPoster 與 CutDone 的商業模式,探討兩款由獨立開發者建立的 AI 輔助工具如何吸引用戶並實現收入。TextToPoster 每月訂閲費為 $9.90,CutDone 為 $4.99;CutDone 的網域每年約 ¥75,部分 DeepSeek 文字生成請求每次約 ¥0.01。文章指出,AI 降低了建立產品的成本,但找到真正重視產品的用戶仍不容易。
評測以 Nano Banana Pro 比較 Higgsfield 與 Kyncept,兩者圖像質素同為 8/10,但 Higgsfield 每張消耗 2 點,Kyncept 只需 1 點。
Higgsfield 與 Kyncept 各以同一東京提示詞完成兩張標示為 Nano Banana Pro 的圖片,四張檔案均為 1376×768 pixels;這個小樣本中,內容品質難分高下。Higgsfield 原始 PNG 帶有右下角品牌浮水印,每張扣 2 個積分;檢視的兩張 Kyncept JPEG 均未見品牌標記,每張扣 1 個積分。時長資料不完整,未能判定哪個服務普遍較快。