跳到正文
今天11月21日周六1 条
11月20日周五
11月19日周四
  1. Hugging Face 每日热门论文52

    Jeveration 让 System One 模型通过单次前向传播生成图像

    Jeveration 将 System One 的并行决策范式用于图像生成,可在单次前向传播中生成高质量图像。它基于冻结的视觉语言模型,以共享随机状态协调各位置预测,并学习离散图像代码分布来引导生成。同一检查点支持文生图、图生图和密集预测;生成 512x512 图像耗时 78 ms,较现有统一模型最高快 122x。

11月18日周三
  1. The Verge · AI73

    Suno推出Visuals,可将AI音乐制成图像和口型同步视频

    Suno推出Visuals,让用户把Suno歌曲制作成最长15秒、可自动对歌词进行口型同步的AI视频,也可通过提示词生成缩略图和专辑封面。该功能已覆盖web、iOS和Android,支持参考图、画幅、起止帧、片段长度及视频时间线编辑。Visuals由基于MiniMax H3的H3 Move模型驱动,使用独立于歌曲积分的Visuals credits,并加入文本和视觉过滤器。

11月17日周二
11月16日周一
11月15日周日
11月11日周三
  1. Hugging Face 每日热门论文62

    Open Vision Banana 提出全开源可复现的生成式视觉感知方案

    Open Vision Banana(OVB)提出一套将预训练图像生成器转换为统一多任务视觉感知系统的全开源、可复现方案。基于 4B 和 9B 参数的开放权重基础模型及 2.1M-3.8M 个公开数据集训练对,OVB 在 Cityscapes zero-shot 上以 73.9 mIoU 超过 Vision Banana 报告的 69.9,并接近当前最先进的仿射不变深度估计器。

11月8日周日
  1. Hugging Face 每日热门论文50

    G-STAR:用于深度压缩自回归生成的分组缩放 Token 容量

    论文提出 GSTAR 空间—分组协同缩放框架,在固定名义信息预算下让分组大小随每轴空间压缩因子按平方增长,支持 32×及有效 64×压缩,并引入半自回归解码器。在 1024×1024 分辨率下,模型在单张 NVIDIA H200 上每张图生成耗时 2.5 秒,相比此前离散自回归模型提速 20×,并在五个文本到图像基准上保持有竞争力的表现。

10月9日周五
  1. Qwen81

    Qwen-Image-2.1-Turbo 开放权重并上线 Pro 与 Turbo API

    Qwen 发布 Qwen-Image-2.1-Turbo 并开放权重,这是基于 Qwen-Image-2.1 同一 7B 视觉生成架构的加速 checkpoint,可用 8 个去噪步骤生成和编辑 2K 图像。Qwen-Image-2.1 Pro 和 Turbo API 现已正式上线,用户也可以通过 Diffusers 使用 Turbo 权重。

    推荐理由:材料给出 8 步采样、2K 图像和自然语言编辑等具体信息,便于比较开放权重工作流与托管 API 的使用方式。

9月20日周日
  1. Qwen Blog79

    Qwen-Image-2.1 开源,统一文生图与图像编辑并支持透明图像

    Qwen-Image-2.1 开源,将文生图与图像编辑整合在同一模型中,视觉生成部分为 7B 参数,并原生支持透明图像的生成与编辑。该模型最多支持 10 张参考图输入,也支持圈选、涂抹和独立掩码等局部编辑方式。

    推荐理由:原文同时交代了 7B 视觉生成规模、透明图像处理和最多 10 张参考图编辑能力,便于了解其在创作与设计场景中的适用范围。

7月7日周二