🚨 AI News | TestingCatalog@testingcatalog63
Nano Banana 2 and Nano Banana Pro are now generally available via Gemini Enterprise Agent Platform. Backed by enterprise...
标签「图像生成」清除
全部 AI 动态
AI 相关资讯全量信息流
5月29日
05:49
🚨 AI News | TestingCatalog@testingcatalog03:18
Artificial Analysis@ArtificialAnlys64
xAI发布了新图像模型grok-imagine-image-quality。该模型在Artificial Analysis的文本生成图像与图像编辑两个榜单中均位列第五，是除OpenAI与Google外排名最高的模型。它支持2K（$70/1k images）和1K（$50/1k images）两种输出分辨率，编辑功能最多支持3张参考图。其定价显著低于主要竞品：GPT Image 2为$211/1k images，Nano Banana Pro为$134/1k images，但高于xAI自身的标准版模型grok-imagine-image（$20/1k images）。该模型已通过xAI原生API、Grok应用及第三方API提供服务。
03:12
02:42
Google AI Developers@googleaidevs71
01:42
Google AI Developers@googleaidevs精选71
推荐理由：Google 把 Gemini 图像生成能力打包进 Nano Banana 系列并正式 GA，开发者现在可以稳定调用 Pro 和 Flash 级别的生图 API，对做图像应用的团队是个实在利好。
00:13
The Verge：AI（RSS）
68
一部名为《Dreams of Violets》的75分钟AI生成电影将于下月在Tribeca电影节首映，这标志着此类AI生成的剧情长片首次被主流电影节接受。该片虚构演绎了伊朗政府2026年1月对抗议者的大规模镇压事件，影片中的人物与画面完全由AI生成。制作成本仅为2,000美元，其创作基于新闻报道、照片和目击者叙述。电影由离开伊朗的兄弟二人创作，Pooya Koosha联合创立了制作公司Fountain 0，Ash Koosha担任CEO。
00:06
SenseTime@SenseTime_AI同事件精选65
SenseNova-U1-8B-MoT-Infographic 是一个升级后的8B参数信息图表生成模型。其核心提升在于：增强了文本的准确性与可读性，减少了重复和不自然的放大；改进了布局的一致性与合理性，背景更稳定；提升了图表与示意图的渲染质量；并新增了学术内容的渲染支持。
同一事件，精选展示《商汤发布信息图生成模型升级，增强多项核心能力》推荐理由：商汤这个8B信息图生成模型升级了，文本和布局都更稳，对常做数据图表和学术配图的人算个实用的小迭代，没有到改变游戏规则的程度。
5月28日
23:36
SenseTime@SenseTime_AI精选68
商汤科技介绍了其升级后的信息图生成模型 SenseNova-U1-8B-MoT-Infographic。该模型参数为8B，在四个关键维度进行了优化：文本准确性与可读性增强，减少了重复和不当放大；布局的一致性与合理性提升，背景更稳定；图表与示意图的质量提高；并新增了学术内容的渲染支持。推文提供了在 Hugging Face 上的模型页面链接及能力展示页面。
关联讨论 1 条X：商汤 SenseTime (@SenseTime_AI)推荐理由：信息图生成赛道又出新货，商汤这次把文本渲染和布局稳定性真正做好了，做学术图表或运营配图的人可以直接去HuggingFace试用，效果肉眼可见的提升。
23:31
Berryxia.AI@berryxia73
阿里通义千问（Qwen）推出了新的文本到图像（T2I）评测基准Qwen-Image-Bench。该基准包含56个细粒度评估维度，并配备与人类对齐度达ρ=0.92的评判模型Q-Judger。其核心理念是将T2I模型评价从基础的“提示词对齐”，提升至关注“真实世界保真度”和“创意生成能力”两大支柱，通过1000条测试提示词能更清晰地区分现有SOTA模型表现。该基准为开发者、提示词工程师及企业提供了一个更贴近实际创作需求的新评估框架。
Qwen @Alibaba_Qwen just dropped a new Text to Image benchmark + a judge model https://huggingface.co/collections/Qwen/qw...
23:12
AK@_akhaliq54
19:11
Rohan Paul@rohanpaul_ai71
传统Diffusion Transformers因层间信息传递方式固化导致训练效率低下。研究团队提出Diffusion-Adaptive Routing方法，允许每层动态选择使用哪些早期层的输出，且该选择随去噪时间步调整。该方法未引入新的数据集、损失函数或注意力机制，仅通过优化残差连接，使得相同图像质量所需的训练迭代次数减少8.75倍。
17:47
公众号：通义实验室（千问）
54
通义实验室推出文生图评测基准Qwen-Image-Bench，由专业艺术家团队开发，将创作能力解构为5大核心支柱、17大场景及56项可量化维度。配套开源自动化评估模型Q-Judger，与资深人类艺术家评估相关性达Spearsman 0.92。评测使用1000条中英文分层Prompt，每条覆盖至少4项考点。结果显示，当前T2I模型在文字准确性、信息可视化、跨语言生成等子领域差距明显，世界知识与逻辑推理能力是跻身第一梯队的分水岭。完整数据集与Q-Judger已开源。
16:44
公众号：可灵AI（快手·视频）
54
第四届AI on the Lot峰会于5月27日至29日在亚马逊影业基地举办。可灵AI在29日社区日展映20部4K作品，全部由欧洲创作者组织Prompt Club的20位成员创作，探索AI电影边界。同台亮相的还有赛博朋克AI电影《The Patchwright》北美首映、艾美奖编剧Bernie Su的实时互动影片、90分钟AI长片《Hell Grind》及可灵AI参与制作的《The Fracture》。展映于5月29日下午1点在The Culver Theater举行。
15:41
🚨 AI News | TestingCatalog@testingcatalog45
14:06
Krea@krea_ai64
Krea 2 from @krea_ai is available on Replicate. Generate high-fidelity, creative images with aesthetics first in mind.
关联讨论 1 条X：Krea AI (@krea_ai)11:37
歸藏(guizang.ai)@op741874
一款针对小红书内容的图片生成器 Skill 发布，宣称效果出色，解决了图文混排的核心痛点。该 Skill 包含 2 套主题、28 个版式、9 套配色，并适配 8 大小红书主流内容类别。其核心优势在于智能处理图片：能凸显用户提供的高质量图片、自动寻找优质图片替代，并能美化普通图片，同时主动避免使用 AI 生成图片以防止内容被标记。该工具旨在高效生成具有专业效果的小红书图文内容。
http://x.com/i/article/2059811469081141248
10:28
HuggingFace Daily Papers（社区热门论文）
65
CubePart是一个生成式框架，可根据全局文本提示和用户自定义的零件模式，生成一组可组装为连贯物体的3D网格，实现对零件结构的显式控制。该框架构建了一个大规模的开放词汇、零件标注3D数据集，并采用两阶段生成架构，将全局形状合成与零件级解码分离。生成的资源可直接集成到游戏引擎中，无需手动后处理。
08:05
08:00
HuggingFace Daily Papers（社区热门论文）
46
Stable-Layers 是一个强化学习框架，无需配对监督即可微调预训练层分解模型，仅使用视觉语言模型（VLM）的反馈。基于 Qwen-Image-Layered 初始模型，采用 Flow-GRPO 和 LoRA 适配，每张图像采样多个候选分解，由 VLM 评分并通过组相对优势优化策略。为解决 VLM 单独评分时判断集中导致 GRPO 难以学习的问题，设计两阶段评估流程：先按五项编辑标准逐样本评分，再进行网格校准让 VLM 并列重评所有候选。相比基模型，Stable-Layers 在 Crello 数据集上实现更强的层分离、更少的空白或伪影层，并降低每层重建误差。
08:00
HuggingFace Daily Papers（社区热门论文）
51
本研究提出一种将预训练Transformer（如Stable Diffusion 3.5）线性化的方法。通过架构与表示的双重对齐，具体识别了TTT架构与Softmax注意力的结构相似性，并引入关键实例归一化等模块来对齐表示特性。仅在4xH20 GPU上进行1小时微调，所得SD3.5-T^5模型就能达到与微调Softmax模型相当的文本到图像生成质量，同时在1K和2K分辨率下分别实现1.32倍和1.47倍的推理加速。代码已开源。
08:00
HuggingFace Daily Papers（社区热门论文）
54
SANA-Streaming是一个为消费级GPU设计的高分辨率实时流式视频到视频编辑框架。其核心包含三点：采用混合Diffusion Transformer架构，结合softmax注意力与线性层效率；引入Cycle-Reverse Regularization训练策略，通过从生成内容预测源帧提升时序一致性；以及结合针对NVIDIA Blackwell（RTX 5090）优化的融合GDN内核与混合精度量化（MPQ）实现的高效系统协同设计。该系统在单张RTX 5090上可实现1280x704分辨率、端到端24FPS的实时编辑，其DiT核心可达58FPS。实验表明，其在时序连贯性和系统吞吐量上显著优于现有SOTA方法。
04:35
Krea@krea_ai41
04:35
Krea@krea_ai62
Krea is now built in to Hermes Agent as an image generation API provider, allowing your agent to use Krea 2: a new found...
关联讨论 1 条X：Krea AI (@krea_ai)04:05
Krea@krea_ai精选73
KREA 2 Image is now a Partner Node in ComfyUI KREA's first foundation image model - trained from scratch - with tunable ...
关联讨论 1 条X：Krea AI (@krea_ai)推荐理由：Krea 终于掏出自己的基础图像模型，不再只是包装别人模型。ComfyUI 原生节点让工作流玩家可以立刻上手折腾，自研模型的风格控制是个新鲜变量。
01:34
Krea@krea_ai58
Krea 2 is now on Runware 🖌️ - two variants: Large (photorealism, creative control) & Medium (illustration, anime, desig...
00:27
5月27日
23:27
Berryxia.AI@berryxia45
用户实测发现，GPT Image 2 在仅给出简单指令的情况下，能自主生成结构清晰、可直接使用的排版图，体验震撼。有分析指出，GPT 这种出色的结构化排版能力，本质上源于其预训练过程中接触了大量此类素材，而非模型审美本身有巨大提升，但其默认效果已足够好用。
卧槽,GPT Image 2 的默认审美已经到这个程度了? 今天拍了份数学卷子,让它分析错题 分析完我随手加了一句: "将上面的孩子的最主要问题以及解决方案,平时训练建议都用一张图画出来" 没配色、没构图、没风格限定 结果它自己排版、标记 ...
23:27
Berryxia.AI@berryxia33
23:20
HuggingFace Daily Papers（社区热门论文）
65
本文提出JLT，一个基于冻结FLUX.2 VAE编码的130M参数潜在扩散Transformer。研究对比了清洁潜在预测与速度预测DiT在相同表示与训练设置下的表现。分析表明，速度回归继承了各向同性目标协方差下限并放大低方差方向，而清洁预测则能抑制这些方向。在ImageNet 256x256上，JLT-B/1通过classifier-free guidance获得2.50的FID-50K分数，相比速度预测展现出显著优势。研究指出，潜在扩散中的预测目标是与表示相关的几何选择，而非可互换的代数参数化。
23:04
22:30
19:34
歸藏(guizang.ai)@op7418精选80
该推文介绍了guizang-social-card-skill，一款针对小红书图文常见类别进行优化的AI Skill。其亮点在于为旅行博主集成了地图组件，用户输入目的地和线路后，AI能自动在底图上标记并嵌入图片。根据引用，该Skill完全基于HTML和实拍图片生成内容，不会被平台标注为AI生成，并会主动从高质量图片网站寻找对应主题图片，以优化图文排版。
藏师傅的小红书图文排版 Skill 预览 完全靠 HTML 和实拍图片,不会被标注 AI AI 会去高质量图片网站帮你寻找对应的主题图片,让你的图文告别只有生硬文字的尴尬情况
关联讨论 1 条X：歸藏 (@op7418)推荐理由：藏师傅这个 skill 把小红书图文排版门槛直接砍没，尤其是旅行地图组件 AI 自动标记路线，做内容的直接抄走就行，告别只有生硬文字的尴尬。
19:30
meng shao@shao__meng32
15:14
IT之家（RSS）
46
英伟达 GeForce 610.47 驱动的配置文件中出现 DLSS 5 踪迹，新增了 DLSS-NR、DLSS-NR Streamline 和 DLSS-NR Presets 三项神经渲染配置。其中“NR”指向 Neural Rendering，是 DLSS 5 的核心概念。该技术将引入实时神经渲染模型，基于已渲染的 2D 画面与运动向量，为游戏画面补充光照和材质响应。
14:14
IT之家（RSS）
62
英伟达发布图像生成技术 PiD（Pixel Diffusion Decoder），能在消费级 RTX 5090 显卡上，以 13GB 峰值显存，将 512×512 图像潜变量解码放大至 2048×2048。该技术基于 PixelDiT，通过轻量级适配器与 DMD2 蒸馏（4 步推理）实现高速端到端生成，在 GB200 GPU 上最快 210ms，延迟相比级联方案最多快 5.9 倍。
14:14
14:14
11:19
HuggingFace Daily Papers（社区热门论文）
精选70
MRT是一个20B参数的掩码区域扩散模型，专为多层透明图像生成与编辑设计。它在超过1000万个多语言设计样本上训练，统一了文本到图层、图像到图层和图层到图层三项任务。模型通过选择性token掩码实现灵活的图层生成与编辑，并引入溢出感知画布图层以处理边界不一致问题，支持半透明背景合成。此外，应用扩散蒸馏实现了8步实时生成。实验表明，MRT在所有任务上显著优于先前先进方法与商业系统。用户研究显示，其图像到图层质量优于同期Qwen-Image-Layered模型，推理速度快10-100倍，GPU内存消耗降低50-90%。
推荐理由：首次把分层图像生成统一到 20B 遮罩扩散框架，溢出画布层的设计挺巧，让图层可以超出边界编辑，蒸馏后能实时跑，做设计工具的团队该仔细读读。
10:27
Berryxia.AI@berryxia62
iPhone 上直接用 App Store 下载就行: 👉 Bonsai Studio - PrismML 官方 iOS 应用,免费安装,模型在手机本地跑 我觉得给学校老师做一些素材展示,或者幼儿园小朋友教学还是可以的。 不需要额外的TO...