Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2,其中 Fable 5.2 展示了一种不依赖图像生成模型的作画路径:由模型编写 1000 至 2000 行 Python 代码驱动模拟绘画引擎,逐笔控制笔刷纹理、颜料湿度与画布质感。官方员工演示中,模型以约 70 万次模拟笔触完成一幅停车场购物车作品,全程无外部图像模型、无预渲染底图。
扩散模型
Diffusion Model
通过逐步处理随机噪声生成图像的生成式建模方法,为 Midjourney 等主流文生图工具的基础
收录情报动态
MBZUAI 基础模型研究所发布开源基础世界模型 PAN 2,面向物理智能的仿真推理,让智能体在行动前先推演后果。它采用概念与感知双路推理:LLM 负责规划动作顺序与相机运动并转写为文本,29B 扩散模型从零训练将文本渲染为视觉画面。消融显示移除 LLM 后多步任务仅 8.7% 步骤正确且无完整计划,双路协同则达 75.1% 步骤正确、34.0% 计划完整完成。
Video Rebirth 发布 HyperFlow H3 Flash,将 MiniMax-H3 的 31B 视频+音频联合扩散模型压缩至 13.7B,支持 4/6/8 步少步采样且无需 CFG,并开源权重、ComfyUI 节点与 GGUF 部署方案。5.2 秒片段在单张 RTX 5090 上约 92 秒生成,4×B200 上仅 8.7 秒,配合 SOL-H3 可在 4 卡 Blackwell 上实现实时推理。
OpenAI 在 ChatGPT、Codex 及 API 中推出 Images 2.6,新增 GIF 动图生成功能并提升编辑一致性。该版本生成速度提高 50%,API 端提供 Flare(极速)和 Sunburst(高质)两款模型供开发者按需选择。
初创公司 Dalet Labs 完成由 Lightspeed 领投的 700 万美元种子前轮融资,旨在构建基于用户偏好的 AI 生成式购物信息流。该方案利用大模型从用户点赞图片中提取属性以生成扩散提示词,从而减少幻觉并实现无需实拍的内容自生长。
本文提供了一份关于 AI 图像生成的综合指南,涵盖扩散模型原理、历史演变及 ChatGPT 等工具的实际表现。作者基于 Python 调用多家图像提供商的实验数据,分析了不同模型的优缺点,并探讨了如何将图像生成功能集成到代码和智能体中。
华盛顿大学与英伟达等团队在《科学》发表 RFdiffusion3,该系统能基于 AlphaFold3 架构对单个氨基酸的原子坐标进行建模,实现从结构预测到功能设计的跨越。实验证实,其设计的酶在真实化学反应中具备预期活性,且生成速度较前代提升约十倍,标志着 AI 驱动的生物分子工程进入高精度实用阶段。
Envato 在其素材库中集成“AI 编辑”功能,允许用户在高质量实拍图片基础上进行局部修改。该方案通过保留原始照片的主体、构图和光影结构,仅对选定区域进行生成式填充,旨在解决纯文生图模型常见的肢体畸形与物理逻辑错误问题。
生数科技推出 Vidu Q4 Preview 预览版,重点提升角色表演细腻度与多风格适配能力。该版本通过大幅降低单秒生成成本(低于0.1元),旨在让普通创作者能以更低预算进行多轮迭代打磨,推动 AI 视频从技术演示走向实用创作阶段。
宾夕法尼亚大学与伊利诺伊大学厄巴纳-香槟分校联合推出 Normalizing Trajectory Models (NTM),通过引入条件归一化流解决扩散模型在少步采样中丢失精确似然的问题。该架构结合浅层可逆块与深层并行预测器,支持从零训练或从预训练流匹配模型初始化,并在文生图基准测试中以仅 4 步采样达到或超越强基线性能,同时保留轨迹的精确似然以支持自蒸馏。