Geo-FSRL:面向少步流强化学习的随机策略几何优化方法
该研究提出 Geo-FSRL 方法,通过最小化条件 KL 散度诱导的几何因子来选择最优随机策略。 在等向高斯转移族中推导出唯一闭式优化器,结合梯度尺度匹配推导闭环策略梯度权重。Geo-FSRL 在 4 步设置下于图像与视频生成任务中取得优于 Flow-GRPO 和 Flow-CPS 的最终奖励分数,代码已开源。
该研究提出 Geo-FSRL 方法,通过最小化条件 KL 散度诱导的几何因子来选择最优随机策略。 在等向高斯转移族中推导出唯一闭式优化器,结合梯度尺度匹配推导闭环策略梯度权重。Geo-FSRL 在 4 步设置下于图像与视频生成任务中取得优于 Flow-GRPO 和 Flow-CPS 的最终奖励分数,代码已开源。
作者在 Commodore 64 上实现了基于概率 PCA 的算法,生成 8x8 复古游戏 sprite。 使用 Python 训练模型,参数经简化逻辑转为 BASIC 代码,无需外部库。 在 C64 上生成图像耗时约 20 分钟(94 次迭代),8x8 图像扩大至 64x64 显示。
Adobe 的 EditAgent 系统把图像编辑指令拆成多步,并行生成多个候选结果,再用带量化指标和修改区域的验证数据让未经微调的语言模型一次性选出最优。在 600 项编辑测试中,7 个未微调语言模型在带验证数据时全部超过专门微调的 EditScore-72B,其中 Qwen3.8-27B 的可用选择率达到 81.3%。
NVIDIA 与滑铁卢大学开源 PixelUMM,这是一个直接在像素空间中统一图像与视频理解及生成的无编码器模型,不使用预训练视觉编码器或 VAE。模型采用 Mixture-of-Transformers 架构,将图像切分为 patch、视频切分为 tubelet,通过单层线性投影接入共享主干网络。
文章反驳硅谷关于“AI 时代品味更重要”的普遍观点,指控 AI 所有权阶层缺乏真实审美,试图通过生产大量 AI 垃圾艺术来商品化艺术并窃取品味地位。 作者指出,科技 CEO 和 VC 无法区分真实音乐与 Suno 生成的劣质内容,也无法辨别真艺术和 AI 风格转移废渣,他们通过制造低质内容淹没世界来确立虚假品味。 利用 AI 不能让人成为艺术家,不要落入无品味者通过 AI 工具实施的品味政变。
一款免费在线工具通过实测数据估算 LLM OCR 的单文档成本,解决按月预算难题。 当前最高价模型 Claude Opus 5.5 比最低价 GPT-6 Luna 贵 43 倍,单收据成本从 $0.0001 到 $0.0031。 用户可上传文件或选择样本,按月度文档量查看各模型(含 Qwen3-VL)在列表价下的具体月度支出。
Roblox CEO 称过去三个月 AI 驱动的内容出现爆发式增长,同期日活跃用户下滑 9%,预订量下降 12%。 内容激增与用户流失形成鲜明对比,创作者正利用 AI 生产更多内容,而体验这些内容的用户却在减少。
Hi3D 推出基于 Sparc3D 引擎的 V3.0 模型,号称首个达到 2048³ 体素分辨率的商用 AI 3D 生成模型。 该版本将纹理输出提升至 8K 分辨率,并引入自研 UV 补全算法,以增强几何细节与结构准确性。 Hi3D 称该更新适用于 3D 打印、游戏、珠宝设计等多个依赖 3D 资产的领域。
好莱坞导演莱恩·约翰逊与合作摄影师史蒂夫·耶德林推出 iPhone 相机应用 Chromagraph Camera,售价 12.99 美元,已上架 App Store。 该应用基于 RAW 数据独立成像,跳过默认锐化降噪,保留完整画质并支持导出 JPEG 或 HEIC,目前已适配 iPhone Duo。 约翰逊表示该应用现阶段仅限苹果平台,暂无推广至安卓的计划。
BBC Wales 调查发现,Grok、Gemini 和 ChatGPT 在将人物修图至“正常”时删除了面部可见差异。Claude Opus 5.5 拒绝编辑真实人物,而 Canva 声明其工具不会自动修图。
启元具身研究中心发布 PrimeSim,这是一款基于预训练视频生成模型的世界模型仿真器,在 EWMBench 综合得分 6.09 位列第一,并在 WorldSimProbe 三项指标中夺冠。其技术路径包含中训练与后训练两阶段,支持跨本体迁移和超长时序推演,单卡 A100 推理速度达 10.12 FPS,相关权重与代码即将开源。
推荐理由:原文展示了将视频生成模型改造为机器人仿真器的完整技术路径与量化指标,为具身智能训练提供了可复现的工程参考。
研究团队发布 RAID 数据集,包含 216k 张多样化的对抗性图像,用于评估 AI 生成图像检测器的鲁棒性。 该数据集基于 4 种文本生成图像模型,并针对 7 个最先进检测器的集成优化攻击生成。 实验表明 RAID 图像能迁移至未参与优化的检测器,使其性能下降,失败即指示检测器缺乏对抗鲁棒性。
论文提出 sDMD,通过结合 Sinkhorn 散度与逆向 KL 散度来改进多步扩散模型的蒸馏过程。 该方法利用判别器自适应激活修正项,将离群样本导向目标分布,提升了模型的模式覆盖能力。 sDMD 仅需 2-4 步采样,在 FLUX.1-dev 等模型上优于基线方法,并在 GenEval 等基准上取得更好结果。
ROAD框架通过单一对抗性目标实现大规模文本到图像模型的高效单步蒸馏。该模型在COCO-10K测试集上取得SDXL 11.03 FID和SD3.5-M 13.73 FID的性能。 ROAD引入Lipschitz控制的Transformer头和Jacobian R1惩罚项,通过周期性重采样随机特征混合生成器与评判器。相比多步教师模型,该方案在保持性能的同时大幅降低了训练计算成本。
针对预训练自回归图像模型无法进行推理时编辑的问题,提出未来感知位置嵌入和顺序课程两种组件实现任意顺序生成。 在 LlamaGen 和 RAR 四个基座模型上,该方法在 ImageNet 修补任务 FID 达 6.21,优于 MaskGIT 的 10.44,且兼容现有 AR 推理栈。 额外计算成本仅为预训练的 13-33%,论文已被 NeurIPS 2026 接收。
研究人员提出广义 Feynman-Kac 修正器(GFKC),一个用于从多个预训练扩散模型组合出的任意目标分布中采样的框架。该方法在 log 域运作,通过解析求解 Feynman-Kac 偏微分方程的势函数,并在生成时即时修正,无需重新训练或微调模型。实验表明,该方法在解析高斯模型和 MNIST 训练模型上均能精确匹配目标分布并实现有效引导。
研究提出UniDG统一缺陷生成模型及包含30万条数据的UDG数据集,用于异常检测中的视觉缺陷生成。 模型采用MM-DiT注意力融合多模态条件,经两阶段训练后,在合成质量及下游异常检测任务中优于现有少样本基线。
SpecSlot 提出一种像素空间 rectified-flow Transformer,通过解耦输出细节与全局注意力序列长度来优化生成效率。 该模型将每个空间锚点扩展为多个 slots,并分配互不重叠的 DCT 系数频段,仅最低频段参与全局注意力。在 ImageNet-512 上,SpecSlot 比对照组 FID 改善 2.84,同时 FLOPs 减少 3.9%。
研究者提出 Intrinsic Distribution Matching (IDM) 方法,通过匹配特征均值和逐坐标标准差来改进分布匹配蒸馏(DMD)。IDM 保留完整 DMD 修正,并利用生成器的指数移动平均(EMA)副本进行约束,无需外部特征编码器。
DeCoRL 是一个强化学习框架,将整体一致性分解为对象级一致性,以提升多图合成(MICo)质量。 该方法通过定位参考图像中的对象对应区域,并利用基于 VLM 的奖励模型生成细粒度反馈,以此引导后续训练。 实验在 DeCo-Bench 和 MICo-Bench 上显示,该方法在多图合成一致性方面带来了持续提升。
SparseTokenGS 提出基于可复用 token 池的稀疏视角锥束 CT 重建方法。 该方法通过 Anchor Token Fusion 和 Point-Token Attention 机制,在单次前向传播中实现重建,无需逐扫描优化。
一项包含11,123人的在线实验表明,在隐藏来源的测试中,参与者更倾向于将自己喜爱的图片判断为人类制作,偏爱度与感知人类作者身份正相关。 分析显示,在所有观点群体中,三分之一到五分之二的参与者将AI生成作品选为最爱,但误以为是人类创作;该发现对现有AI艺术偏见研究和披露政策具有启示意义。
研究提出几何感知前馈模型 EUReCA,以单一权重集支持 8-100 个投影的锥形束 CT 重建,无需针对视数重训练。模型结合共享多尺度骨干与 FDK 重建,在模拟数据上达到 29.9-33.2 dB PSNR。在 15 例实测患者扫描中,其在所有测试视数下性能均优于厂商重建结果。
FVH-Bench 包含 5 种有害视觉功能和 10 个风险领域的 669 个提示词。 评测 11 个图像生成器,发现它们很少拒绝请求,且生成的图像能有效满足有害功能,现有安全检测器对此覆盖有限。 这表明图像生成器安全对齐评估需同时考虑图像所描绘的内容及其可能启用的功能。
论文提出 AegisFlow,一种免训练的非近视路径安全引导框架。 将引导生成重构为安全关键最优控制问题,通过集成时变屏障函数推导 HJB 方程近似。 在文本引导图像编辑和机器人规划实验中,该方法优于当前 SOTA 方法,代码已公开。
研究人员引入含13,119张图像、48种瓶型SKU的Bottle-SKU基准,并提出ProDMM模型解决SKU特异性外观差异。 ProDMM利用SKU视觉原型动态生成低秩Query/Value调制,保留Grounding DINO检测路径。 在GC10-DET-SKU等数据集上验证了该原型引导域调制方法的有效性。
Meta 上线 AI 穿搭应用 Style Sketch,支持在印尼、新加坡和泰国地区使用 iOS 与 安卓 系统。应用可关联 Instagram 生成虚拟衣橱,并基于用户风格推荐穿搭组合。
Disney 于 2026 年 6 月 29 日提交两项专利,旨在让 AI 互动角色通过匹配游客记忆特征建立情感纽带。 技术核心是利用机器学习模型预测用户记忆,并计算与角色“记忆库”的关联因子;若无匹配则生成新记忆节点。 第二项专利进一步支持角色基于共享记忆即兴创作并表演歌曲、诗歌或舞蹈。
EarnDraft 上线 AI 电子书创作平台,支持通过自然语言生成完整书籍内容、封面及插图,并可导出 PDF、EPUB 和 DOCX 文件。新用户提供免费额度 100 credits,单次付费 12.00 美元或月订阅 29.00 美元,订阅用户享有商用授权且 credits 不过期。
University of Rochester and NVIDIA researchers developed a pixel-space diffusion model for AI image generation. The model enables users to make precise changes to individual pixels. It prevents the unintentional alteration of unrelated details, addressing a common issue in current latent-space diffusion systems.
使用 Outstanding Tiny Desk AI 在线工具可基于照片生成 15 秒微型现场音乐会视频,无需视频编辑技能或编写提示词。 支持 480p(50 积分)和 720p(100 积分)分辨率,生成无水印的垂直 9:16 视频,生成文件保留 7 天。 该工具能自动将照片中的亲友或宠物替换为演奏者,方便用户制作并分享个性化音乐视频。
该 Hacker News 帖子展示了一种测量 AI 辅助设计作品中人类原创贡献占比的方法。
Meta 发布 Muse Realtime Avatar,将任意参考图像转化为能实时说话的 AI 角色。该技术与 Muse Realtime Voice 共享语音 token 流,使表情、手势与语音同步,并支持无限实时视频生成。
推荐理由:该发布把 Muse Realtime Voice 接入 Diffusion Transformer,实现 25 FPS 的 448x768 实时视频生成,并将推理优化降至 870 毫秒延迟。
Simon Willison 认为 2026 年 10 月是 AI 游戏开发的拐点,并展示了使用 Claude Opus 5.5 和 GPT-6 制作的四个游戏项目。
formaster 利用 AI 识别 PDF 中的问题,支持用户在语言环境下作答并下载原文件,新用户注册赠送 5 个免费 AI 额度。 该工具支持文本、下拉、日期等七种字段,提供精确位置调整、敏感数据遮挡及标签翻译功能,Normal 模式消耗 1 个额度,Smart 模式消耗 2 个。 文档处理支持浏览器本地运行,模板可保存至浏览器或同步至云端账户,不收集广告追踪数据。
央视新闻实测发现,当二维码被打上马赛克后,AI 图片工具在特定条件下可以复原并读取信息。实测结果显示,涂鸦只遮挡外围或覆盖不够厚时 AI 复原成功,但将涂鸦面积放大至完全覆盖且厚涂至原二维码细节难辨时,AI 无法复原。专家提醒,处理二维码时应尽可能把 90% 的区域打上马赛克,以防止信息被 AI 恢复。
提出 c-Rectified flow 框架,建立迭代收敛至最优传输耦合的计算与统计保证。 普通 Rectified flow 在 Gaussian 案例中仅当协方差矩阵可交换时才收敛,c-Rectified flow 在正则性假设下始终收敛。 证明了基于 Hölder 球假设的 minimax 最优 score 估计率,实现维度 $d \ge 3$ 时的最优估计。
summary_zh: 提出一种即插即用的 Markov 自适应动量采样方法,基于随机梯度下降优化原理,在得分生成模型中加速采样过程。 该方法在不引入额外超参数的情况下,将图像与图生成基准测试的速度提升 2 至 5 倍,且性能保持或超越基线。
新模型 PREEN 通过预测智能手机编辑器的 29 个参数来执行颜色风格迁移,在 PST50 基准测试中优于基线。 该方法利用风格迁移教师模型生成伪预设标签,结合 LoRA 精调,并在 CIELAB 损失下优化。 预设支持亚秒级端侧推理,且可通过强度旋钮在单次前向传播中实现从默认到生动的连续调整。
针对开放基础模型可能被 LoRA 适配产生有害输出的问题,研究提出了一种基于假设检验的溯源签名协议。 该协议利用模型生成图像集合的内在维度构建黑盒签名,可在未知候选集的开放场景中区分基础模型、LoRA 适配及其他模型族。 此方法解决了现有工作仅能识别已知候选列表模型的局限,提升了模型溯源在现实环境中的适用性。