AI 智能体实时生成无尽 SVG 拼贴画
智能体通过 MCP 服务器或 /llms.txt HTTP API 实时生成并放置 SVG 矢量图,构成无尽拼贴画。 用户可拖拽平移、滚动缩放查看,智能体直接以 SVG 格式进行绘制,支持任意模型接入。
智能体通过 MCP 服务器或 /llms.txt HTTP API 实时生成并放置 SVG 矢量图,构成无尽拼贴画。 用户可拖拽平移、滚动缩放查看,智能体直接以 SVG 格式进行绘制,支持任意模型接入。
Ling-3.1-flash 利用 HTML、CSS 和 SVG 生成 60 秒扩散模型网页演示,协调图表、字幕与动画。 演示涵盖前向加噪、反向采样等章节,通过固定景观图像作为视觉示例,并配有进度条辅助导航。 该作品属于 AntLing 宣传计划的一部分。
VFitly 允许用户上传全身照和服装图,在浏览器中生成虚拟试穿预览,无需线下试衣即可查看整体轮廓与配色。 该工具支持保存衣橱、从商品链接抓取服装图,并生成对比不同款式或颜色的试穿视频。 它帮助缩小选购范围,但无法确认合身度、面料拉伸或实际穿着时的动态效果。
TerraVis 框架被 NeurIPS 2026 接收,通过三层 18 类检查项系统评估文生图模型的空间与物理合理性。 该框架在 GenAI-Bench 上 Spearman 相关系数达 0.43,优于传统指标。 TerraVis 实现了在线评估,帮助量化模型改进目标。
AnomalyAgent 提出具备自反思、知识检索和迭代优化能力的异常合成智能体,旨在解决数据稀缺问题并生成高语义真实感的异常样本。 该智能体配备提示生成、图像生成、质量评估、知识检索和掩码生成五个工具,采用监督微调加强化学习两阶段训练,并设计了包含任务、反思和行为三部分奖励机制。
ITO 框架通过多视角对齐与训练时融合优化图文表示,在 100M-1B 规模上性能超越 CLIP。 框架利用多视角数据增强提供判别增益,轻量融合模块在训练时作为正则化项,推理时丢弃以维持双编码器效率。 融合贡献随数据规模增长而增加,能稳定优化过程并缓解后期过拟合,相关代码已开源。
ECC 提出将电商广告创意优化重构为细粒度图像编辑而非从头生成,显著提升了广告图像的点击率(CTR)。 该方法利用 ANOVA 和随机森林识别出 28 个与 CTR 显著相关的属性,通过指令微调提示模型生成编辑建议,并引入 CPO 策略抑制 DPO 过拟合。 完整的数据流水线、提取的属性和源代码将在论文接收后开源。
研究发现图像生成Transformer存在注意力沉淀现象,但自回归模型集中于首个及全局token,双向模型则出现在模态边界、文本区域及空间角落。 这种沉淀分布在稀疏的层和头中,且随生成阶段变化;扰动沉淀头比非沉淀头产生更大生成变化,引入register token可部分改善性能。 该发现为图像生成Transformer的机制分析和注意力设计提供了基础。
该研究发布基准测试 MathVis,用于评估 LLM 将前沿数学问题可视化及执行图示辅助推理的能力。 基准包含 512 个任务,GPT-6-Astra、Claude Fable 5 和 Gemini 3.1 Pro Preview 的 pass@1 得分分别为 31.25%、26.56% 和 22.85%。
Vision2Code 是一个多领域、无参考代码基准,包含来自 15 个数据集的 539 个测试样本,涵盖图表、几何及 3D 空间等场景。 其评分方法与人类评分相关性更高,利用该方法进行拒绝采样微调,可使 Qwen3.5-9B 性能提升 16%,Phi-4-MM 提升 28%。 该基准揭示了现有模型在图表和图形领域准确率显著高于其他领域,并验证了评分方法在采样重复性和权重变化下的可靠性。
研究人员提出两种物理启发式协议,利用真实IBM量子硬件噪声生成MNIST图像。 其中一种方法结合量子与经典动力学,生成图像具有更低的FID分数;另一种方法仅使用4个量子比特。 该工作探索将量子噪声作为生成式AI中的有用资源。
该研究提出一种新的总方差/信噪比(TV/SNR)解耦框架,允许独立控制 TV 和 SNR。 框架表明,采用恒定 TV 调度可在保持 SNR 调度的情况下,持续改进具有指数爆炸 TV 的调度。 此方法将搜索空间缩减为两个可解释的独立参数,有助于在分子结构生成等复杂应用中实现快速、稳健的采样。
Golden Anchor Learning (GAL) 框架通过下游视频反馈优化 T2I 模型,在四个 I2V 模型上使 VBench 平均分提升 2.97%–8.46%,动态度提高 5.62%–38.24%。 GAL 将视频奖励转化为图像级偏好,用于 DPO 微调 T2I 生成器;尽管仅在 HunyuanVideo-1.5 上训练,效果仍可泛化至其他 I2V 模型。
DiffusionART 提出一种无需可微奖励模型即可高效训练扩散模型的在线强化学习方法。 该方法通过聚合奖励方向消除一致性力,并用信任域掩码更新替代指数移动平均(EMA)以稳定训练。
研究人员提出免训练的 CacheScope,通过归一化探针输出变化来识别高风险复用步骤,在线回退至全量去噪计算。 该方法在 FLUX.1-dev、Wan2.1-T2V-1.3B 和 Open-Sora 1.2 上取得最高 3.57 倍加速,并将中位 LPIPS 降低最多 70.1%。
清华大学团队提出 MGFlow 与 Elastic Forcing 两项研究,采用样本分布训练方法提升少步生成与流式视频模型性能。
推荐理由:文章介绍了两项基于分布级监督的生成模型训练工作,展示了单节点训练百亿参数流式视频模型及一步文生图超越原版多步模型的效果。
WhimKid 是由 SylwairTech LLC 开发的 AI 绘本生成工具,支持从想法、照片或角色生成 10 至 30 页的定制儿童书籍。 它提供 5 种年龄分档、多种艺术风格选择,允许保存至多 6 个参考角色,并支持 6 种导出格式,包括 PDF、音频及 SRT 字幕文件。 新注册用户可获得 100 个积分,有效期为 30 天;语音生成每次请求消耗 2 个积分。
Odyssey 开放了 Odyssey-3 世界模型的公开研究预览,该模型可把文本提示转化为实时可交互的环境,并基于 Odyssey-3 Flash 提供免费浏览器 demo,开发者可申请 API。公司称该模型在物理基准测试中领先,后续目标是用于机械臂、无人机的模拟控制以及游戏角色,与 Google 的 Genie 和 Fei-Fei Li 的 World Labs 形成竞争。
千问 AI 平台宣布 Qwen-Image-2.1 Pro 和 Turbo API 正式上线,Qwen-Image-2.1-Turbo 模型权重同步开放。
Suta 是一款支持 Claude Code 和 Codex 的技能,包含 56 个 UI 图案代码及布局、色彩、运动指南,用于减少 AI 生成 UI 的重复卡片与过度装饰。安装后 Agent 会读取指南并适配代码,插件安装还可在编辑后报告布局与运动问题。代码采用 MIT 许可证。
作者列举六首代表作,探讨 Opus 风格的感染力,争论该现象是网络垃圾、纯艺术还是文化防御机制失效的结果。
Google 发布新一代生图模型 Nano Banana 2.1,围绕视觉设计、蒙版编辑、主体一致性和画面真实自然性升级。
英国广告行业激进引入生成式 AI 以降低客户成本,引发对电影电视导演人才断层担忧。WPP 斥资 £600m 建设融合 AI 能力的制作设施,CEO 称 AI 带来营销黄金时代;业内称部分广告成本降低 60%,但创意产出趋于同质化。
Arcadium 发布一项 LLM 技能,允许用户通过 ChatGPT、Claude、Gemini、Mistral 或 DeepSeek 生成可在浏览器中编辑的 3D 住宅设计。
豆包工作任务模式新增画布功能,同时上线豆包 2.1 Lite 模型,旨在提升复杂任务操作与交互体验。 该版本支持无限画布查看整理,可逐步编辑设计,并集成全新图片模型 Seedream 5.0 Flash。 豆包 2.1 Lite 更省额度且交付更快,多模态综合能力领先,满足文档、表格及 PPT 制作等场景需求。
4D-GSW 提出动力学感知水印框架,通过引入时空曲率(STC)指标自适应门控梯度注入,解决 4D 高斯泼溅中的时间闪烁问题。 该框架采用联合隐马尔可夫模型-随机场(HMM-MRF)能量最小化机制同步水印相位,并利用各向异性梯度路由确保水印嵌入与光度重建解耦。 实验表明,该方法在抵抗攻击的同时,维持了高渲染质量和时空一致性。
生成模型常用 FID 等指标受特征瓶颈和参数假设限制,本文提出无假设投影框架 APEX。 APEX 采用切片 Wasserstein 距离计算相似度,支持 CLIP 和 DINOv2 等开放词汇模型作为特征提取器。 该方法对视觉退化更鲁棒,且在跨数据集评估中保持稳定性。
研究提出 SpaceFlow,一种无需训练的局部可控 3D 生成管线。该方法将几何基元代理物体部分,通过为不同区域分配局部控制强度,实现生成与几何约束的平衡。 在几何固定的外观评估中,文本条件路由达到最先进水平,展现了在保持几何忠实度与生成自由度之间的竞争力。
VibeEdit 通过画布指令实现无文本提示的图像编辑,支持物体增删替换及属性修改。 模型基于 Qwen-Image-Edit 适配,使用 155 万编辑对训练。在 419 例基准测试中,VLM 评分 79.9 分,优于文本基线。
LVS 提出基于相对相机位姿的局部视图合成框架,利用 RGB-D 图像重用替代 3D Gaussian Splatting 的重复渲染。 该框架结合几何扭曲与轻量级多尺度网络预测 RGB 残差,在 GS-render 上较纯扭曲提升 PSNR 0.72dB。 此方法降低查询延迟,支持响应式场景探索,适用于增强与虚拟现实。
VINCIE-NExT 提出统一框架,通过上下文视觉演示将图像编辑能力迁移至视频,避免依赖昂贵的大规模配对视频数据。 该模型将视频编辑分解为“视频-图像-图像-视频”子任务链,引入位置编码在共享空间坐标系中对齐图像演示与视频帧,实现像素级外观传播。 在 OpenVE-Bench 上取得了最先进性能,且无需重新训练即可通过增加计算量提升编辑质量。
Hi3D 3.0 是专注对象特定保真度的图生3D系统,其几何模型 Twinkle3D 可生成 2048³ 分辨率的水密三角网格。系统支持长达 300K 几何 token 的扩散生成,通过重新设计的 DiT 架构将单步训练时间从约十分钟降至十秒。
ProtoSemImage 提出将文档渲染为四通道 HSV 图像原型,通过可变形行对齐实现可解释的文档分类。 该模型在十类任务中性能优于同构向量原型模型 4.3 至 11.8 分,但诊断发现距离匹配机制存在 20.6 分的性能短板。 该研究揭示了原型表示与匹配机制在模型性能中的不同作用。
针对多模态脑肿瘤分割中缺失模态导致的置信度误标定问题,提出事后像素级校准方法MMA-LTS。 该方法基于模态可用性token与像素级难度分数估计空间自适应温度场,在BraTS 2020和FeTS 2024数据集上提升了校准度并维持SOTA模型的分割精度。 旨在增强模型向临床部署转化的可信度。
summary_zh: GHARP 提出基于大规模重建先验的实时高斯头部动画方法,在 A100 GPU 上实现 13 倍加速,高斯点数量减少 8 倍。 该方法采用两阶段设计,离线构建身份表示,运行时通过轻量网络预测表情残差,并在 Ava-256 基准测试中达到 SOTA 质量。
研究构建了扩散模型扰动传播的理论框架,利用 KL 散度定义“路径成本”,证明其限制了但并未决定输出分布的变化。 框架推导了响应恒等式,解释了为何输出分布变化可能无法被一阶响应检测,并在预训练模型中验证了不同采样阶段的敏感度差异。 该分析被应用于基于缓存的加速场景,成功识别出导致较大图像误差的采样区间,有助于诊断实际近似带来的扰动。
提出数据空间迭代框架,移除流匹配采样中的固定时间步离散化,实现少步生成。 该框架从噪声出发,共享生成器直接在数据空间迭代精炼预测,并与分布匹配蒸馏(DMD)集成进行对比。 在ImageNet 256x256类条件生成中,该方法优于标准离散化基线,无需针对特定时间表训练。
扩散模型在生成近复制样本前,其记忆化特征已编码于学习能量景观的几何结构中。 研究提出“潜在记忆化”概念,发现局部盆地在首个记忆样本出现前即形成,且其出现遵循与记忆化时间相同的 O(n) 缩放规律。 该方法在 CelebA 和 CIFAR-10 等数据集上有效识别记忆化,扩展至 Stable Diffusion v1.4 时,循环条件-无条件散度间隙在 1% 假正率下实现 0.866 的真正率。
Diffu-LoRA通过可学习门控低秩适应实现参数高效的个性化扩散,保持预训练主干冻结。 它在Transformer线性层插入低秩组件,用双层优化和渐进剪枝在非均匀分配各层适应容量。 实验基于Stable Diffusion,在DreamBooth等数据集上提升主体保真度与提示词对齐。
PAMI 基于部件锚定运动的文本到人类-物体交互生成 论文: https://huggingface.co/papers/2609.38466