OpenAI发布GPT-6.2 Astra和GPT-6.2 Sol
OpenAI发布GPT-6.2 Astra和GPT-6.2 Sol两款模型,分别面向高难度项目和高频日常专业任务,已登陆ChatGPT Work、Codex和API,Plus、Pro等订阅用户均可使用。
同一新闻,精选展示《OpenAI 发布 GPT-6.2 Astra 和 Sol 模型》
OpenAI发布GPT-6.2 Astra和GPT-6.2 Sol两款模型,分别面向高难度项目和高频日常专业任务,已登陆ChatGPT Work、Codex和API,Plus、Pro等订阅用户均可使用。
同一新闻,精选展示《OpenAI 发布 GPT-6.2 Astra 和 Sol 模型》
微软发布 MAI Image 2.7 及 MAI Image 2.7 Flash 图像生成与编辑模型,并在 Microsoft Foundry 开启公开预览,每千张成本分别约为 35 美元和 10 美元。
快手可灵 AI 于 11 月 17 日宣布新一代图像模型 Kling Image 4.0 正式上线,并开放企业与客户 API 接入。该模型采用「理解生成统一」架构,支持最高 15000 tokens 文本输入,并内置 70 余种预设商用字体与 110 余种影调风格。
提出扩散模型各向异性噪声调度的变分框架,通过矩阵值路径分配子空间噪声并联合训练score network。 在CIFAR-10等四个基准测试中,该方法在低NFE条件下显著提升了FID分数。 框架包含高效的反向ODE求解器及调度参数估计器,代码已开源。
研究在流形假设下建立了去噪自编码器的泛化保证,涵盖单流形、分离流形并集及相交流形三种几何场景。 推导了重建误差上界,主要包含样本统计项、切向噪声残差项及投影失败尾部项,相交流形场景还引入额外歧义项。 数值实验验证了样本量缩放规律,并展示流形交点附近的重建歧义现象。
研究提出基于量子启发的正交蝶形层的微调方法,在MNIST和MedMNIST实验中展现出优于LoRA的认证鲁棒性。该结构通过构造保持正交性,仅需O(n log n)可训练参数即可保留预训练模型的Lipschitz界。 在斑秃诊断应用中,该方法使认证准确率约为常规微调和LoRA的两倍,同时保持可比的分类精度。
提出免训练框架实现开放词汇3D实例分割,在LERF-OVS和ScanNet上取得SOTA性能,显著提速现有方法。 采用像素级CLIP特征替代掩码级嵌入,利用视频分割器跨视图传播并3D化,无需逐场景训练。
框架 DecoEdit 将 1D、2D、3D 输入整合为统一架构,解决 3D 空间控制难题。 其构建 DecoDataset 包含 1.6M 样本,并首创 DecoBench 基准。通过解耦管线,利用 SAM-3D 锚定几何结构,实现细节高保真。 在 3D 姿态控制任务上,DecoEdit 的几何准确性与身份一致性显著优于 Seedream 5.0。
RoSeDiT 架构将全局规则从图像 token 中隔离,在 SiT 协议下,RoSeDiT-L/2 以少 32% 参数将 FID 降至 15.34。 引入 adaLN 监听机制,RoSeDiT-XL/2 在 1.4M 步实现 FID 7.98,仅为 SiT-XL/2 所需步数的五分之一。 提出确定性采样流形压缩(DSMC),使 RoSeDiT-XL/2 在 2.4M 步达到 FID 5.84。
针对 255 块 128 至 8 像素高的车牌实验显示,SwinIR 将识别率提升高达 38 个百分点。 普通双线性等插值仅带来 5-9 个百分点增益,且最近邻插值反而有害。 SwinIR 主要提升字符可辨识度,其他方法未显示一致幻觉。
研究验证了在 4B 模型规模下,通道堆叠优于序列拼接以实现像素对齐的结构保持编辑。 基于 FLUX.2 Klein 4B 基座,该方案保持序列长度不变,仅需单次前向传播,并在 29 张测试图上取得 20.3 dB PSNR。 该模型主要学习了全局调色而非选择性编辑,代码与完整训练配方已公开。
LLM 可通过编辑少量 U-Net 权重来提升图像超分辨率的感知质量,而无需干净参考图。框架提供架构代码与采样预览,限制变更至 3 层且参数占比低于 0.1%。实验对比 GPT-6 Astra 与 Qwen3-VL,发现反馈分数提升可能伴随未见过场景性能下降。
提出具有软等变性的新型神经网络架构 Geometric Learnable Invariants Transformers,训练后仅对数据适配的对称群保持等变,并输出对称指纹以识别相关对称性及程度。 在图像分类任务中验证了该架构及指纹机制,通过低几何偏置设计避免强归纳偏置限制性能,替代传统数据增强方案。 该框架使研究者能直接检视网络以获取对称指纹,明确识别出训练后保留的关键对称群。
研究团队构建 AttentionUNet-CA 模型,在印度勒克瑙土地利用变化模拟中对比了多种基线,发现其在变化区域表现优于随机森林,但未超越无变化假设的零模型。
HandwritingAgent 提出了一种语言驱动的代理,无需特定风格训练,直接生成 SVG 格式的自然手写序列。 该代理利用大型推理模型在离散网格画布环境中自回归生成字形,并受参考手写图像及对话或非对话文本控制。 实验显示其在手迹模仿、识别及复杂数学公式生成等任务上达到或超越当前 SOTA 模型,更具效率与可控性。
CuRSE-Bench 揭示文生图安全评估存在文化盲点,包含 10,709 个文化特定提示词和 2,648 个通用对照,覆盖六个地区与十个危害轴。 该基准通过 CultureCraft 框架构建提示词,测试发现文化盲点评判员低估文化特定潜在危害,但其在通用对照上与地区人格评判员表现一致。 这一选择性盲点持续存在于已部署的审核系统中,凸显现有安全评估机制对特定文化背景下的隐性危害缺乏有效识别能力。
谷歌发布 Workspace 官方更新公告,旗下图像工具 Google Pics 升级至 Nano Banana 2.1 模型,未来 1~3 天内向快速发布和定期发布用户部署推送,主要覆盖商务版、企业版、个人 Google AI 订阅及部分教育与附加组件用户。
DatingProfile 基于 HyperReal 技术将自拍转化为高逼真约会照片,单张耗时约 1 分钟,支持 62 种风格。 定价包含 Fix Pack(最多 30 张,$0.97/张)和 Pro Pack(最多 140 张,$0.35/张)。提供生物、提示词等免费辅助工具。
Black Forest Labs 联合创始人 Andreas Blattmann 与 Dustin Podell 解释 FLUX 3 同时使用图像、视频和声音信号训练的原因。视频展示物体移动轨迹,声音补充接触等物理反馈;独立处理视频帧会导致放大画面闪烁,因此视频放大需保证时序一致性。团队还分享 FLUX Kontext 如何用少量数据实现局部编辑,以及用户利用模型修复旧家庭照片的使用案例。
通过探测激活来恢复蒸馏图像和视频生成器的多样性 论文:https://huggingface.co/papers/2611.18550
eDMD 端点分布匹配用于少步扩散蒸馏 论文:https://huggingface.co/papers/2611.17194
广州我的影视文化传媒有限公司因发布违规美瞳广告被罚 6.82 万元。 该公司利用虚拟人物方桃子虚构使用体验,且未获医疗广告审查证明。 该行为违反广告法,构成发布虚假广告及违规医疗器械广告。
提出 MeanFlowAdvantage,一种用于平均速度生成器的符号优势加权最小二乘目标,解决了奖励微调中的表示不匹配问题。 在 SD3.5-Medium 上,该目标在4次 NFE 下,于8项指标中6项达到或超过 40 步 DiffusionNFT 基线;还成功应用于 DNA 启动子设计。
TelePhysica是一个闭环框架,能从单张照片重建可执行的物理世界并驱动3D交互。在100个场景基准中,其平衡验证的世界恢复率从0%提升至81%。 该框架结合视觉语言编码智能体与统一求解器,通过模拟轨迹条件化视频扩散模型。条件化使动态运动掩码重叠增加2倍至5倍,并在反事实力反转下保持运动方向。
论文提出 JaRS 方法,利用雅可比行和区分扩散模型的记忆区域与局部平均,无需参考图即可实现无对比定位。 在 Stable Diffusion v1.4、v2.1、Realistic Vision v5.1 及无条件 DiT 上,增强版 JaRS+ 性能优于传统基于对比的局部化方法。
提出一种品牌意识重新设计生成框架,在品牌图像约束下实现创意产品视觉探索。 该框架通过构建品牌调查报告推导创意方向,并整合自增强循环进行图像批评与提示词修订。在50个重新设计任务中,该方法在创意性和品牌可识别性之间实现更优平衡,在汽车等高约束类别中优势显著。
ToolifyHub 发布免费 AI 背景去除工具,支持 2 秒内处理并下载无水印原分辨率 PNG。 采用 Dual-Engine 架构,用户可选 Cloud Turbo 云端加速或 On-Device 本地 WebAssembly 零上传模式。 针对 remove.bg 服务变更提供无限次免费替代,满足电商与证件照隐私需求。
YVD AI Studio 允许用户通过上传照片或输入文本提示词,结合所选模型生成短视频片段,以辅助视频剪辑创作。 该工具提供 Photo-to-Video 特效(如说唱场景、霓虹舞等),免费账户每 24 小时赠送 10 积分,积分在 24 小时内有效且不可累积。 支持生成 9:16 竖屏视频用于 YouTube Shorts,用户上传素材时需拥有相应权限,生成结果需人工审查。
用户测试三款 AI 模型制作猫主题桌面宠物,Hy4 效果最佳。DeepSeek V4.1 Flash 生成了漂浮衣物且第二版美观度下降,K3.1 Pro 要求升级付费。Hy4 支持缩放、音效切换和重置功能,交互体验更佳。
作者测试了 GPT Image 2.6 和 Seedream 5.5 在 6 个场景下生成同一虚构人物的照片。GPT Image 2.6 单图成本为 0.086 美元,耗时约 63 秒,放大后能保留毛孔和雀斑等真实纹理;Seedream 5.5 单图成本为 0.028 美元,耗时约 30 秒,画面更干净平滑但角色一致性较弱。
用户给 Fable 5.2 接入 Seedream 5.5 作为外部图像工具,通过单条提示词“制作一款雪地村庄送信的狐狸 2D 横版游戏,可在浏览器运行”生成可玩游戏。
一款基于浏览器的 Image to Image AI 照片编辑工具上线,使用 GPT Image 2 模型通过提示词重新绘制图像。 注册即享 2 次免费积分,已购积分永久有效,默认私有;支持人像换背景、移除小物体、宠物变卡通等 6 类场景。 用户可直接上传 JPG/PNG/WebP 照片,用自然语言描述修改并对比前后结果。
上传照片即可生成六种风格的室内设计概念,新用户可免费体验 2 次生成。 工具基于一次性积分付费模式,Starter Pack 售价 $9.99,包含 60 次设计机会。
BBC 报道英国“房源照骗”现象愈发普遍,房产中介和卖家利用 AI 大幅修改甚至生成虚假图片,使房屋显得更漂亮、宽敞或现代化。 社交媒体主持人发现过去六个月经 AI 美化的房源照片明显增多,且大多未标注使用了 AI 生成技术,部分修改包括去除柱子、增加窗户或遮盖污渍与裂缝。 已有房产中介机构出台规定,要求所有经过 AI 美化的房源照片必须明确标注,以避免改变房屋真实面貌。
研究者提出“过度实现”概念,指出文生图模型常违背提示词逻辑生成目标物体。该现象在否定、想象等四种情境下发生,且常规指标如 CLIPScore 未予惩罚。 研究构建 OverReal 基准,包含 698 条提示词与 2841 张人工标注图像。
研究人员推出 DesignTaste 基准,通过 403 份设计简报评测 6 个商用文生图模型,并与获奖作品对比。 简报源自 Beste Plakate 2025 与 ADC 2026,涵盖海报及 20 个设计类别,由单一模型裁判评分。 仅 ArtArk 模型的平均总分超越获奖作品,所有模型在创意原创性维度得分均较低。
Iris-Z 是一个通用图像生成器,结合外观与几何生成,单一骨干网络同时处理深度估计、生成和渲染任务。在足够规模下,它超越了现有深度基准的专用模型 SOTA,同时保留原始生成能力。 该模型无需专用层,统一处理单目几何任务,打破了专用架构长期主导该领域的局面。 作者发布两个模型供社区使用,验证了“苦涩教训”在视觉智能领域的适用性。
针对水下图像恢复中色彩失真与散射问题,WaveFlow-UIE 提出一种单管线小波域流模型,通过直接学习小波表示映射实现高效恢复。该模型结合流匹配训练与小波空间物理退化线索估计,在 UIEB、UFO-120 等基准上实现质量与效率的平衡,相比小波扩散基线显著降低推理成本。在 UIEB 256x256 分辨率下,从五步流程简化为单步推理仍可保持近乎全部的恢复质量,并带来约 4 倍的速度提升。
研究提出无需训练的插件 RTC,利用多模态大语言模型(MLLM)推理识别低分辨率图像中的退化文本,并将其作为条件输入。 该方法在评估的六个文本条件超分辨率模型上均带来性能提升,尤其在需要推理的文本场景表现显著。
上海黄浦警方通报网传“和平饭店 51 万元天价账单”系 AI 生成,已抓获 15 名涉案人员。 外省市酒类销售公司负责人赵某某组织他人利用 AI 软件篡改账单金额并制作虚假视频传播。 其中 4 人被采取刑事强制措施,11 人受行政处罚。