跳到正文
10月6日周二
  1. arXiv · ML31

    AVCE 框架实现扩散模型中可验证的概念擦除

    AVCE 框架通过将擦除操作锚定在模型潜在表示中,显著提升了概念擦除的可验证性。 该框架审计嵌入邻域,在闭式编辑注意力层后使用正交梯度投影微调,有效解决内部表示中概念残留问题。 实验表明,在 SD v1.5、SDXL 和 Flux 1.0 上,AVCE 将攻击成功率降低 5.07 倍,审计分数提升 3.84 倍。

10月5日周一
  1. arXiv · ML25

    Flow Map Denoisers: Traversing the Distortion-Perception Plane for Inverse Problems

    流映射模型(flow map models)隐式定义了一组连续跨越失真-感知(DP)前沿的去噪器,其中 lookahead 参数 t 作为控制旋钮调节 MMSE 与感知模式。该机制在 Plug-and-Play 求解器中适用于一般逆问题,单个训练模型即可匹配或超越专业基线。实验在 CelebA 和 AFHQ 数据集上验证了该发现在多种线性及非线性逆任务中的有效性。

  2. arXiv · ML24

    控制扩散模型极向暴露以延迟记忆:提出 QGD 与 CBS 方法

    针对扩散模型在优化过程中因拟合样本数据而过早产生记忆(Memorization)的问题,研究提出质量门控去白化(QGD)控制器与副本预算选择(CBS)方法。该方法在保持基线质量到达时间的同时,将有用区间延长 8.32 倍,并使通用检查点的复制率降低 75.9%。在 CIFAR-10 子集上,QGD 的 FID 为 75.56,优于使用相同选择器的 SGD 基线(79.37)。

  3. arXiv · AI26

    AREX:用于流匹配模型少步采样的仿射-残差指数积分器

    AREX 是一种免训练的采样器,专为预训练的流匹配模型设计。它利用目标均值和协方差捕捉采样动力学中解析可处理的部分,将学习动力学分解为仿射分量和神经残差项。AREX 通过显式矩阵值传播器积分仿射分量,并仅对残差项进行积分。在图像和文本生成图像任务中,AREX 在少步采样阶段持续提升了样本保真度,且无需重新训练基础模型。

  4. arXiv · AI20

    AortaDiff 如何利用不确定性作为扩散式医学图像合成中语义正确性的代理指标

    AortaDiff 提出通过不确定性评估扩散模型从非增强 CT 生成增强 CT 图像的语义正确性,并在外部多中心数据集分布偏移下保持有效。 MCDropout 作为输入扰动方法在像素、区域和图像层级均表现领先,且无需额外训练成本即可在推理阶段启用任何已含 dropout 的模型。该信号可用于质量过滤、可靠性评估及识别临床相关的分布外案例,但难以区分已生成的高质量图像。

  5. arXiv · AI30

    NegT2IBench:面向文本生成图像模型的极性评测基准

    NegT2IBench 包含 4800 条涵盖属性与关系约束的提示词,通过独立调节正负约束数量,区分了否定效应与提示词复杂度对模型生成的影响。在评估 11 个文本生成图像模型和 211,200 张图片后发现,9 个模型在单条否定约束下的得分低于单条肯定约束,且 41.5% 的失败语句渲染了提示词禁止的内容。

  6. arXiv · AI29

    DAGS:用于冻结图像 DiT 解耦外观与几何引导的时间稳定生成式渲染方案

    DAGS 是一种无注意力机制的解耦外观与几何条件方案,通过小型卷积编码器引导冻结图像 DiT 生成高质量渲染。在匹配 1-spp + G-buffer 输入下,其 PSNR 比 Intel OIDN 和 RGB X 分别高出 +8.6 dB 和 +10.1 dB,且感知时间稳定性提升 2.5-8 倍。该方案以较低计算成本实现可控渲染,非实时运行。

10月4日周日
  1. 美团技术团队34

    美团智播数字人直播技术创新与实践

    美团推出面向本地生活场景的AI数字人直播解决方案“美团智播”,过去一年月日均GTV同比增长82.12%,月日均观看人次同比增长163.44%。 该方案支持30秒生成直播素材、3分钟完成开播配置,并实现7×24小时稳定上播,成功打通从技术落地到规模化商业闭环。

9月30日周三
9月23日周三
  1. 百灵大模型80

    Ming-Image-0.1-Design 系列开源,支持UI生成与图层拆解

    百灵大模型开源Ming-Image-0.1-Design系列,包含6B参数的Design和Layer模型,支持从文字生成UI及将设计图拆成可编辑透明图层。该模型在Artificial Analysis UI/UX Design榜单位列开源第1,Layer在Crello-Test 12项指标中全部排名第一。

    推荐理由:6B模型将设计生成与图层编辑打通,读者可评估其在UI、海报等场景替代高参数量模型的可行性。

9月22日周二
  1. 腾讯混元63

    腾讯混元发布Hy Image3.5 preview图像生成模型

    腾讯正式发布混元图像3.5预览版(Hy Image3.5 preview),该模型在数百名内部专业设计师GSB盲测中较Hy Image3.0能力提升约30%,支持文生图、图生图及多轮对话创作,最高输出2K分辨率。腾讯云API定价为0.15元/张,已上线元宝、WorkRally、OnSolo、Miora、WorkBuddy及ima等产品,灰度测试期间生图请求量提升超50%。

    推荐理由:腾讯官方发布Hy Image3.5 preview,提供内部盲测对比数据与0.15元/张的API定价,展示其在专业创作场景的性价比与能力提升。

9月21日周一
  1. 豆包工作36

    豆包工作 6 个实战场景助力电商提效

    豆包工作通过 6 个实战场景简化电商运营工作流。工具利用多维表格自动分析用户评价以驱动选品,并串联 5 个 AI 角色批量生成白底图、详情页及 10 秒短视频。此外,结合/可视化指令自动生成 GMV 等经营数据趋势图表,并创建可交互的月度预算计算器,实现收支盈亏的实时更新。

  2. RunningHUB74

    RunningHub首发上线Qwen-Image 2.1

    RunningHub宣布完成Qwen-Image 2.1的首发接入,支持直接生成和编辑。该版本模型将文生图、图片编辑、多图参考和透明背景生成整合在同一系统中,支持输入10张参考图及原生输出带透明通道的RGBA图像。创作者和开发者可在RunningHub上利用该模型搭建工作流,简化从生成到交付的图片处理流程。

    推荐理由:RunningHub接入刚开源的Qwen-Image 2.1,展示了其在原生透明背景和多参考图编辑上的工作流整合能力。

9月20日周日
  1. 千问大模型83

    Qwen-Image-2.1 开源发布

    千问大模型团队开源发布 Qwen-Image-2.1,该模型视觉生成部分参数量为 7B,将文生图与图像编辑整合在同一架构中。模型支持最多 10 张参考图输入,并原生支持透明图像的生成与编辑,同时通过混合粒度注意力结构和 KV Cache 复用机制优化了推理效率与显存开销。

    推荐理由:原文详细展示了该轻量模型在透明图像生成与编辑、多图融合及推理效率优化等方面的具体能力与技术细节。

9月7日周一
  1. 蚂蚁开源82

    蚂蚁开源 LLaDA-Image:6B 纯图片预训练 Diffusion 模型,中英双首 Qwen-Image-Bench 开源第一

    蚂蚁开源 LLaDA-Image,6B 参数 DiT 模型,90% 纯图片预训练配合自条件学习,实现统一文生图与编辑,TwinFlow 蒸馏支持 2-4 步推理。Qwen-Image-Bench 中英文总分 53.53 和 53.38,位列开源模型双第一;SGLang 提供 Day-0 适配,开放完整权重、训练代码与蒸馏配方。

    推荐理由:LLaDA-Image 采用 90% 纯图片预训练路线,展示了不同于传统图文对绑定的生成范式,在 Qwen-Image-Bench 上取得开源模型中英双第一。

8月31日周一
  1. 可灵AI38

    可灵 API 在百度秒哒平台调用量突破 2496 万次

    可灵能力接入百度秒哒平台后,累计调用次数已超过 2496 万次。 应用开发者主要将可灵用于两类场景:一是通过 可灵3.0Omni 和 可灵3.0Turbo 模型为应用增加视频生成能力,二是批量生成视觉素材以提升游戏或叙事内容的沉浸感。 近期上线的 Agent Market 提供 一键换装 和 商品成片 等开箱即用功能,并开放 API 供开发者集成,同时秒哒平台推出限时优惠以促进影像生成能力的普及。

7月9日周四
  1. RunningHUB53

    RunningHub 首发上线 Seedream 5.0 Pro 图像生成模型

    RunningHub 于 7月9日 全网首发上线 Seedream 5.0 Pro 图像生成模型,该模型于 7月8日 正式发布。Seedream 5.0 Pro 主打“不止生成,更懂设计”,具备交互式精准编辑、超写实商业视觉、复杂信息可视化及 14 种语言原生文字生成四大能力。用户可通过 rhTV、快捷创作、AI 应用及 ComfyUI 工作流调用该模型。

4月10日周五
1月10日周六
9月15日周一
9月2日周二
  1. Hugging Face Blog55

    Hugging Face 教程:利用 PyTorch 预编译加速 ZeroGPU Spaces

    Hugging Face 发布教程,演示如何利用 PyTorch 预编译加速 ZeroGPU Spaces。该教程展示了在 H200 硬件上,通过预编译和 FP8 量化将 Flux、Wan 等模型的推理速度提升 1.3 倍至 1.8 倍。文中还详细介绍了动态形状处理、区域编译以及如何结合 FlashAttention-3 进一步优化性能的具体实践方法。

8月19日周二
7月23日周三
7月9日周三
6月19日周四
  1. Hugging Face Blog74

    Hugging Face 教程:如何在消费级硬件上使用 QLoRA 微调 FLUX.1-dev

    Hugging Face 发布教程,指导使用 diffusers 库和 QLoRA 技术在单卡消费级硬件(如 RTX 4090)上微调 FLUX.1-dev 模型,峰值显存占用低于 10 GB。

    推荐理由:文章提供了在消费级硬件上微调FLUX.1-dev的具体代码流程和显存优化技巧,读者可直接复用该方案降低部署门槛。

5月8日周四
2月24日周一
3月15日周五
  1. Hugging Face Blog39

    Hugging Face 发布 WebSight 数据集,助力 VLM 将网页截图转换为 HTML

    Hugging Face 开源了 WebSight-v0.2 数据集及微调模型 Sightseer,旨在利用视觉语言模型将网页截图转换为 HTML 代码。该数据集包含 200 万个合成示例,相比 v0.1 版本采用了真实图像和 Tailwind CSS,显著提升了数据质量。Sightseer 模型基于此微调,能够生成包含图像的功能性 HTML,致力于简化 UI 设计到代码的转化流程。

2月3日周六
1月15日周一