豆包登陸華為鴻蒙電腦端,首個版本搭載 2.1 Turbo / Pro 模型
豆包 App 已正式登陸華為鴻蒙電腦端,首個版本搭載豆包 2.1 Turbo 和豆包 2.1 Pro 模型。用戶可在應用市場搜尋下載,並可在對話與工作間切換,使用深入研究、PPT 生成、幫我寫作、圖像生成及雲盤等核心功能,涵蓋工作、學術研究、資料管理、自動化任務和創意設計等場景。
豆包 App 已正式登陸華為鴻蒙電腦端,首個版本搭載豆包 2.1 Turbo 和豆包 2.1 Pro 模型。用戶可在應用市場搜尋下載,並可在對話與工作間切換,使用深入研究、PPT 生成、幫我寫作、圖像生成及雲盤等核心功能,涵蓋工作、學術研究、資料管理、自動化任務和創意設計等場景。
研究團隊提出一種單張圖片場景生成方法,可從一張圖片生成完整的 3D 場景網格,涵蓋相機未觀察到的表面。方法改造以物件為中心的生成器 Trellis 2,並透過自適應分塊、建立明確的 2D-3D 對應及合成約 4,000 個戶外場景,支援室內與戶外場景。實驗顯示,該方法在 Tanks and Temples、ScanNet++ 及實景圖片上,幾何準確度和感知品質均勝過所有基準方法。
Google 發佈圖像生成與編輯模型 Nano Banana 2.1,重點提升視覺設計、遮罩編輯及主體一致性。Nano Banana 2.1 正逐步部署至 Gemini 應用、Google 搜尋 AI 模式、Google AI Studio、Google Flow、Stitch、Google 廣告及 Gemini 企業平台。
ComfyUI 現已可透過 Partner Nodes 使用 Google 的 Gemini Nano Banana 2.1 圖像生成與編輯模型。模型可接收最多 14 張參考圖並輸出最高 4K;Nano Banana 2 的工作流可沿用同一節點位置,且每次執行費用較低。比例選項新增 9:21,另支援三種思考等級及多輪定向編輯。
Google 發佈圖像生成與編輯模型 Nano Banana 2.1,取代 2026 年 2 月推出的 Nano Banana 2,並稱新版本在多方面均有改進。
推薦理由:文章並列 Nano Banana 2.1 的定價、基準測試與實際生成圖片比較,呈現其成本變化及相對 Nano Banana Pro 的畫質差異。
SALD 提出擴散模型的自我參照訓練框架,以同一模型在兩個噪聲水平評估圖像與文字説明配對,並按兩條路徑的誤差差異調整較難路徑的訓練目標。框架毋須外部教師網絡或額外可訓練參數,亦不修改推理程序。多種架構和數據集的實驗顯示,該方法持續提升生成質素。
作者以「穿網襪的犰狳在火星亂穿馬路」為提示詞,要求 Claude Opus 5.5、GPT-6.1-Sol、Gemini 3.8 Flash 和 Mistral Large 4 各自生成 SVG。作者稱前沿模型的基準測試已飽和,並以這個題目作測試。
研究提出並評估一種以生成器忠實重建能力校準的內容認證方法,用來判斷影像真實性是否可被合理否認。研究測試 20 款深偽檢測器對 10 個近四年推出的生成器,準確率由接近完美的 99.5% 降至 76%;對抗性擾動則令所有基線檢測器的準確率跌至 2% 以下。新方法可校準至生成內容遭錯誤認證的比例不超過 1%,並在所評估的有界擾動攻擊下維持此上限,但不涵蓋任意對抗性轉換。
ElevenLabs 推出 Image & Video (Beta),在同一平台整合圖像、影片生成及音訊後製流程。用戶可透過 Nanobanana、Flux Kontext、GPT Image 和 Seedream 生成圖像,並以 Veo、Sora、Kling、Wan 和 Seedance 生成影片,再匯出至 Studio 加入語音、背景音樂及音效。
ElevenLabs 在 ElevenCreative 推出 Flows Agent,讓用戶以對話描述創作需求,由智能體建立、連接並執行工作流程。它會選擇合適模型、建立及連接節點,並在生成前確認影片長度、語氣和結構;啟用 Assist mode 後,高成本生成須經用戶確認。
Goodfire Research 展示 Paint With Ember,讓用戶透過畫布操控 SDXL-Turbo 的內部表徵,以概念方式生成和編輯圖像。工具使用 BatchTopK SAE 拆解圖像潛在表示,再以 NMF 將相關特徵聚合為概念,支援繪製、拖曳和調整概念。Goodfire Research 提供應用程式公開版本及開源 SAE 解讀器模型。
Black Forest Labs 已公開提供 FLUX VTO,這款虛擬試穿模型的生成時間少於 4 秒,適用於大規模商品目錄。它可為同一人物一次套用最多四件服裝,並保留人物身份及服裝上的標誌、印花、縫線和五金配件。身體及服裝尺碼的精確呈現仍在改進,輸出宜作視覺造型參考;預設政策不支援泳裝和內衣。
Goodfire Research 介紹其新論文提出的區塊稀疏特徵器(Block-Sparse Featurizers,BSF),以多維子空間刻畫視覺模型中的概念結構。
FLUX.2 [klein] 4B 將預載於新一代 ASUS ProArt 筆電的 MuseTree 應用程式,支援裝置端圖像生成。目標是在 8GB VRAM 筆電上,即使其他專業應用程式於背景運行,也能在少於 5 秒內生成圖像;使用時無需 API 或網絡連線。
Envato 以 FLUX 建立創意 AI 引擎,按創作任務將請求路由至合適模型,讓用戶透過統一體驗生成及編輯圖片。FLUX 至今已生成 51 million+ 張圖片,約佔平台圖片生成量 ~25%。FLUX.2 在寫實、電影感及產品圖片用途上的表現較可比模型高 ~10%,下載率較平台所有供應商的平均水平高 16%。
Black Forest Labs 的 FLUX 3 多模態基礎模型現已開放 Early Access,採用統一架構共同學習圖像、影片和音訊。它可按文字或圖像、影片參考生成內容,並生成最長 20 秒、帶音訊的影片;模型亦涵蓋動作預測。
Seedream 5.0 Pro 正式發布,作為多模態圖像創作模型,提升圖文匹配、結構合理性、文字渲染及畫面美感。其四項核心能力包括高密度資訊圖生成、交互式精準編輯、影像與人像質感提升,以及十餘種常用語言的原生輸入與生成。目前模型已在火山方舟體驗中心上線,並將陸續在豆包、即夢上線;項目主頁:https://seed.bytedance.com/seedream5_0_pro
ChatGPT 正在把真實漫畫家的簽名加到偽造的《紐約客》漫畫中。
CDMD 提出無需訓練輔助 fake-score 網絡的無數據擴散蒸餾方法,並將樣本生成與速度估計統一於單一學生網絡。該方法只需一個凍結教師、一個可訓練學生及一個目標函數,在 ImageNet 256×256 上以 1 NFE 達到 2.04 FID,優於 DMD2 的 3.43 FID。以 4 NFEs 推理時,CDMD 達到 1.37 FID,接近教師的 1.35 FID。
Gemini Nano Banana 2.1 正式開放使用,是一款高效率圖像生成及對話式編輯模型。它維持 Flash 級速度及成本效益,並改善視覺品質、提示詞遵循度、多輪角色一致性和文字呈現;支援 1:4、4:1、1:8、8:1 比例生成,以及 1K、2K 和 4K 解析度。
MEND 提出一種以近端速度匹配為基礎的流模型強化學習方法,透過獎勵上限和位移成本篩選更新方向,不使用 KL 項、凍結參考模型或優勢權重。在 100 次更新後,MEND 在六項評估指標中的五項超越 Flow-GRPO,且與基礎模型圖像的距離相同;在相同預算下,它於四種訓練獎勵的每個評估更新點均勝過 ReFL 和 DiffusionNFT。
瑞典滾珠軸承製造商 SKF 使用 AI 生成已故女星葛麗泰·嘉寶的虛擬形象拍攝廣告,呼應她曾參與推介瑞典產業的短片。
研究提出一套讀取多模態擴散 Transformer(MM-DiTs)上下文 tokens 的方法,並以 Contextual Alignment 強化其中的視覺語義資訊,改善生成質素及分佈覆蓋。
研究提出 D-OPCD,將智能體執行框架的能力蒸餾至擴散模型權重,令模型只憑原始查詢亦能保留部分框架效益。配備 Auto Skill Evolver (ASE) 的文生圖智能體採用 D-OPCD 後,在四項基準測試的直接生成平均分由 60.52 提升至 65.09。第二輪 ASE 令更新後生成器的表現較不含技能的執行框架高 1.83 分。
Jagex 因 Dragon Slayer II 預告片引發生成式 AI 疑慮而將影片下架調查,並重申不以生成式 AI 製作遊戲、美術或創意素材。外部合作方曾明確承諾不使用 GenAI,但預告片出現六指畫面;Jagex 稱會在 RuneFest 後立即改革審核流程,並與社羣創作者合作呈現 Dragon Slayer II 的故事。
LiFT 是一系列迴圈式生成模型,透過重複套用共享的 Diffusion Transformer(DiT)核心擴展計算,並可在無需重新訓練或修改的情況下,超越訓練深度進行迴圈推理。在 ImageNet 256x256 測試中,LiFT-L/2 的 FID 比密集型 DiT-XL/2 基線低 3.34,參數量約少 60%,訓練 FLOPs 少 32%,推理 FLOPs 少 52%。
研究提出持續表徵學習,讓漂移模型直接從像素學習有效的判別性表徵,無需預訓練編碼器。在多個數據集上,該方法令原有像素空間漂移模型的 FID 降低約 82-95%。調整預訓練表徵及採用速度裁剪可進一步提升效果。
NAMVIS 提出一種不依賴擴散模型的框架,將多視角圖像合成重構為幾何條件化的下一尺度自回歸生成。在 Objaverse、GSO 和 OmniObject3D 上,NAMVIS 的 PSNR、SSIM 和 LPIPS 均勝過擴散基線;在相同評估設定下,速度達受評估擴散基線的 3 倍以上。
Black Forest Labs 發佈圖像生成模型 FLUX 3 Image,最高支援生成 4K 解像度圖片,並可用座標網格和邊界框精確安排畫面元素。模型單次最多可融入 10 張參考圖像並指定物件位置,也可修改指定區域而保持其他像素不變;官方稱其能在像素級別維持原圖內容,以支援精確多輪編輯。
消費者對 AI 內容的疲勞感已令人難以招架,討論主張本地商户重新考慮使用 AI。支持者認為,專業運用 AI 可製作媲美甚至勝過人工作品的內容,速度更快、成本更低。批評者稱,AI 產出有 99% 一眼可見地粗劣;他們所見的做法是未用過 AI 的人只輸入「a poster」,便採用首個結果。
Microsoft 宣佈推出自家研發的圖像生成模型 MAI-Image-1,該模型登上 LMArena 文生圖模型前十。
Microsoft AI 宣佈推出圖像生成模型 MAI-Image-2,並稱 MAI 模型系列在 Arena.ai 排行榜排名第 3。模型主打寫實圖像、圖中文字生成,以及豐富細節場景創作。
Microsoft AI 發佈 MAI-Transcribe-1、MAI-Voice-1 和 MAI-Image-2,三款模型現已可在 Microsoft Foundry 和 MAI Playground 使用。
Microsoft 發佈圖像生成模型 MAI-Image-2-Efficient,主打旗艦級品質及成本降低 41%,現已在 Microsoft Foundry 和 MAI Playground 3 提供。
Microsoft 發佈圖像模型 MAI-Image-2.5 和 MAI-Image-2.5-Flash;MAI-Image-2.5 在 Arena 圖像編輯排行榜排名第 2、文字轉圖像排名第 3,Arena 評分超過 GPT-Image-1.5 和 Nano Banana Pro 2K。
Microsoft AI 將 MAI-Image-2.5-Pro 與 MAI-Voice-2-Flash 開放公開預覽,分別面向高保真圖像生成與高速、大規模語音場景。
Meta 發佈 Muse Image,並預覽 Muse Video;兩者均為 Meta Superintelligence Labs 開發的媒體生成模型。Muse Image 可調用網絡搜尋和編碼工具、自我修訂,並支援精準編輯與多參考圖像構圖;Meta 稱增加推理時計算可提升生成質素。
推薦理由:文中比較 Muse Image 的推理時計算策略,指出把資源投入刻意推理比 Best-of-N 更能持續提升圖像品質,工具調用亦可補足單靠推理的不足。
Microsoft 宣佈 MAI-Image-2.6 在 Arena 文字生成圖像排行榜排名第二,較 MAI-Image-2.5 整體提升 79 Elo。其文字渲染提升 91 Elo,並在 Arena 每個測量類別均較 2.5 有改善。MAI-Image-2.6 現可在 Arena 試用,本週稍後將登上 MAI Playground,並即將推送至 Microsoft Foundry 等產品。
Microsoft 將 MAI-Image-2.6 帶入 Microsoft Foundry,並擴展系列推出 MAI-Image-2.6-Flash。兩款模型均支援多圖參考編輯、web grounding 和動態長寬比;MAI-Image-2.6-Flash 相較 GPT-Image-2-Medium 生成圖像快 2.8x、效率高 72%。
教宗良十四世在 X 發文,呼籲在 AI 時代保護人類藝術,並稱人類創作與機器生成作品在本體上存在差異。他認為機器根據數百萬張他人創作的圖像進行統計計算,算法缺乏人性的火花。他 5 月的通諭強調自動化日益普及時維護人類尊嚴的重要性;TechCrunch 援引《紐約時報》近期報道稱,Anthropic 曾遊説梵蒂岡重新考慮非人類意識立場,但似乎成效有限。