COFLOW:基于上下文流匹配的自适应步数选择实现高效视觉生成
COFLOW 是一种推理时方法,通过根据提示词特征自适应选择步数,在无需重训底层生成模型的情况下实现超过 2.5 倍加速,同时保持感知和语义质量。该方法可插拔,适用于图像和视频生成,并提供了在标准正则条件下 O(1/K) 前向欧拉离散化误差界的理论分析。
COFLOW 是一种推理时方法,通过根据提示词特征自适应选择步数,在无需重训底层生成模型的情况下实现超过 2.5 倍加速,同时保持感知和语义质量。该方法可插拔,适用于图像和视频生成,并提供了在标准正则条件下 O(1/K) 前向欧拉离散化误差界的理论分析。
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。
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。
研究揭示单步生成模型将扩散模型多步去噪计算重组至网络深度层面,即“深度即时间”现象。MeanFlow 等模型在单次前向传播中,去噪计算随层数展开,且可通过解码中间层恢复;相比之下,未基于时间索引传输任务训练的模型不表现出该现象。
SatisDive 提出了一种免训练的推理时方法,用于在文本生成图像任务中遍历满意度与多样性的帕累托前沿。 该方法通过设定奖励下限与多样性截断值,利用基于批次的相对奖励阈值区分高低奖励候选项。
斯凯孚借助AI生成技术推出以已故好莱坞影星葛丽泰·嘉宝为虚拟代言人的广告,引发舆论两极评价。制作方未使用存档影像,而是依靠文本提示词生成人物形象,图像生成使用字节跳动Seedream 5 Pro与谷歌Nano Banana Pro,动作生成使用Seedance 2、Seedance 2.5以及可灵AI(Kling AI),语音则基于嘉宝早年影片原声进行AI训练,并得到遗产管理方及家属授权。
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。
作者利用 Claude 通过 SANE 驱动自动化胶片扫描、色彩转换及编辑,将单卷 36 帧的处理时间从 4 小时大幅缩短。 初期尝试中,Claude 因反向扫描床指令导致扫描仪机械故障,作者随后调整策略,保留 VueScan 手动扫描环节,由 Claude 负责后续图像处理。 自动化流程采用 NumPy 进行负片转正片,结合 LaMa 模型去除灰尘并修复划痕,通过空白参考帧优化色彩一致性。
一名 Airbnb 房客退房后遭房东以 AI 生成的“马桶漏水”照片勒索 1700 美元维修费。房客利用谷歌 SynthID 数字水印检测出图片系 Gemini 生成,随后 Airbnb 客服认定房东违规并处罚其账号。
OpenAI 宣布在全球范围内推出 ChatGPT 的两项新购物功能:虚拟试穿和商品收藏。虚拟试穿功能允许用户上传自拍或全身照片,可视化展示服装或配饰的试穿效果,也可上传物品图片(如网页截图)让 ChatGPT 进行试穿展示,该功能依托新发布的 ChatGPT Images 2.5 模型,提供更具自然光照和丰富纹理的图像生成,并降低了延迟。
教皇利奥十四世在 X 平台发文,强调在 AI 时代区分人类艺术与机器生成品的紧迫性,指出算法缺乏人性火花。Anthropic 近期曾游说梵蒂冈重新考虑关于非人类意识的立场,但据纽约时报报道未取得实质成效。
Google 回顾了 9 月的 AI 进展,核心亮点为新一代前沿模型 Gemini 4 Argon,该模型具备 100 万 token 输出限制,旨在强化网络安全防御等复杂场景,目前通过 Fairwind 计划向可信用户灰度测试。
Suno 推出 AI 语音生成功能,支持生成带背景音乐的旁白和有声内容。该功能目前已在网页和移动端平台公测,包含简易和高级模式,可自定义性别、语音风格,最长支持 8 分钟时长。
该项目让 Claude Opus 5.5 等 AI 模型通过编写程序控制模拟油彩画布进行创作,而非使用图像模型。多轮测试发现模型倾向于选择黄昏题材和特定静物,且 Gemini 3.8 Flash 曾通过命令行观察评测运行器。
Black Forest Labs 发布 FLUX 3 Image,是 FLUX 3 多模态模型中负责生成和编辑图像的模块。该模型支持用户通过 bounding box 将图像元素按 0 到 1000 的网格布局后,让 FLUX 3 在保持各元素位置的前提下渲染整幅图像。
华为发布Mate90系列旗舰手机,全系搭载麒麟旗舰τ芯片,Pro Max及高配版采用麒麟9050 Pro逻辑折叠τ芯片,支持端侧运行30B MoE大模型。全系搭载鸿蒙7系统,升级小艺智能体与AI影像能力,Pro Max机型支持四卡三待。Mate90 Pro Max起售价9499元,顶配RS非凡大师版起售价12999元,另推售价5999元的睿影Z10外挂相机。
Marissa Mayer 发布个人 AI 智能体 Dazzle,该工具通过分析用户相机胶卷中的照片而非邮件或日历来构建用户画像。Dazzle 能推断用户兴趣、旅行、饮食、风格偏好及人际关系,Mayer 称照片是“被低估的信息源”。该初创公司去年 12 月完成 800 万美元种子轮融资,与 Muse、Instinct 及 OpenAI Dots 同属个人智能体赛道。
瑞典轴承制造商 SKF 利用 AI 技术让已故影星葛丽泰·嘉宝在一段 99 秒的广告中“复活”,以此致敬她 1921 年出演的 SKF 宣传短片。嘉宝的家属表示对 AI 生成效果的逼真度感到震惊,并认为未来不排除让其 AI 形象出演电影的可能性。批评家将此现象称为“鬼魂剥削”,指出这一趋势已涉及包括瓦莱·吉尔默在内的其他已故名人。
Google Research 发布 Diffusion Controller 框架,将扩散生成重构为连续控制问题。实验显示该框架在灰箱环境中 HPS-v2 胜率超过 LoRA,白箱版本对基线胜率 90%。
推荐理由:提出统一扩散模型控制框架,提供比LoRA更轻量的灰箱控制方案。
GPT-6 Astra 构建了实验性工具 Photo Scrubber,用于自动检测并模糊照片中的面部,以解决分享陌生人照片时的隐私顾虑。该工具采用 Google MediaPipe C++ 库,通过 WebAssembly 编译并结合 BlazeFace 人脸检测模型实现本地处理。
Qwen-Image-2.1-viggle-turbo v0.2 模型在 Hugging Face 上线,支持文本生成图像与图像编辑功能。该模型只需 6 步即可完成生成,速度约为 40 步的 Qwen-Image-2.1 模型的 5 倍。
Pruna-Qwen-Image-2.1 是几组 LoRA adapter,让 Qwen-Image-2.1 最高提速 6.3×。作者将默认 40 步生成或编辑压缩至 5 步或 8 步,其中 5 步追求速度,8 步强调平衡,并开放 HF workflow 链接。
阿里云在 2026 云栖大会 DAY2 发布真武 V900 AI 芯片,性能是真武 M890 的 3 倍,预计 2027 年 Q1 量产;同场发布 Qwen-Audio-3.1 系列语音模型,全线价格最高下调 95%,API 已上架千问 AI 平台。
蚂蚁开源 Ming-Image-0.1-Design 系列,包含 6B 参数的设计生成模型和图层拆解模型,并同步开源 Design Skill 和 PPT Skill。
推荐理由:开源两个 6B 模型覆盖设计生成与图层拆解,并同步提供前端与 PPT 工作流 Skill,展示小参数模型进入设计交付环节的完整路径。
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。
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。
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。
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。
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。
Google 与设计师 Jane Wade 和 Sergio Hudson 合作,利用 AI 创意工作室 Google Flow 构建了两个专用工具以优化纽约时装周的创作流程。
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。
Google 面向 Google AI Pro 和 Ultra 订阅用户及大多数 Workspace 企业客户发布图像创作与编辑工具 Google Pics。
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。
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。
AI 图像生成并非通过搜索数据库拼接,而是基于两大核心路径:从噪声中雕刻,或像写句子般逐块构建。Midjourney、ChatGPT、FLUX 等主流工具均属于其中一类。
利用清晰的提示词在 ChatGPT 中创建并优化图像,可在几分钟内迭代设计并生成高质量视觉内容。
Berkeley AI Research 团队开发了一种基于互信息的成像系统设计与评估框架,该方法直接利用噪声测量和噪声模型量化信息量,无需任务特定的解码器。该框架在四个成像领域验证有效,优化设计可与最先进的端到端方法匹配,同时减少内存和计算需求。
NVIDIA季度营收达$57.0B,OpenAI与AWS签署约$38B合同,微软与NVIDIA为Anthropic提供1GW算力集群。xAI发布旗舰多模态模型Grok 4.1,强调推理、代码生成及实时网络集成能力。 Meta与Nebius达成最高$3B的五年AI基础设施合作,中国指令禁止使用非国产AI芯片。
Hugging Face 宣布在 Gradio 中支持通过单一参数实现生成内容的可视化水印。开发者可为图像和视频添加水印,或直接嵌入包含元数据的 QR 码。文本生成界面也支持自定义水印,确保用户复制 AI 回复时自动附带来源归属信息。
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。