Jeveration 通过单次前向传播在 78 ms 内生成 512 × 512 图像
Jeveration 可在 78 ms 内生成一张 512 × 512 图像。它使用冻结的视觉语言模型,在单次前向传播中将整张图像作为一次决策输出。论文地址为 arxiv.org/abs/2611.24738,演示地址为 huggingface.co/spaces/linlinl…。
Jeveration 可在 78 ms 内生成一张 512 × 512 图像。它使用冻结的视觉语言模型,在单次前向传播中将整张图像作为一次决策输出。论文地址为 arxiv.org/abs/2611.24738,演示地址为 huggingface.co/spaces/linlinl…。
Ideogram 发布 Ideogram 4.6,支持原生 4K 输出,并减少编辑区域外的像素漂移、提高色彩准确性,增强真实感与纹理细节。Tibor Blaho 表示,Ideogram 已是他三年多来最喜欢的工具之一,并转引官方介绍:x.com/ideogram_ai/status/2123…
Jeveration 统一模型通过双向注意力一次并行生成 128 个离散图像 token,以分块解码替代逐 token 解码。模型基于 Qwen 3.5 4b,以 lora 在四张 96gb GPU 上训练约 400 GPU 小时,geneval 得分 0.74;常规 VLM VQA/理解分数未披露。
Microsoft 在 MAI Playground 发布由 MAI Image 2.7 Flash 驱动的新 Canvas 体验,用户可通过提示词和编辑工具细化并精确调整图表与图像。正文还出现 MAIshop 字样,但未披露其具体功能。
Tessera-small 将 16x16 像素精灵图视为包含 256 个 token 的句子,每个像素对应学习所得 512 色调色板中的一个 token。它以 CLIP 文本为条件,从完全遮罩的画布开始,在 ~16 个步骤内按置信度由高到低并行揭示全部像素,不使用 VAE、潜变量或自回归。
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。
美国国会议员正推动两类法案,拟为非自愿私密深伪和儿童网络伤害的受害者扩大诉讼渠道。Hawley 与 Durbin 的提案拟使相关争议中的强制仲裁协议失效,Defiance Act 则拟允许受害者起诉深伪内容创作者;Roblox 因涉嫌未能保护儿童面临约 180 起合并诉讼。
研究提出 Posterior Matching Distillation(PMD),结合模式覆盖的后验采样与任意步生成,将扩散模型教师的迭代采样压缩为少量网络评估。
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。
字节跳动最新图像模型 Seedream 5.5 登上 Artificial Analysis AA-Image-T2I v2.1 的质量价格前沿,以 $20 per 1k images 成为 $30 以下最佳模型。
Black Forest Labs 将图像、视频和声音三种信号结合训练 FLUX 3,以学习运动过程和物体关系。Andreas Blattmann 与 Dustin Podell 还讨论了移动镜头提供的多视角信息、视频增强中的时间一致性,以及自回归与扩散模型的训练和推理取舍。
Anthropic 的语言模型 Claude Fable 5.2 通过 Python 代码驱动模拟画笔、颜料和画布,逐笔绘制复杂乃至接近照片的图像,而不是调用外部图像模型。
Grok 将 Grok Imagine 的图像和视频创作功能整合到 Grok 中,用户打开 Grok 即可开始创作。相关链接:x.com/imagine/status/21216729…
推荐理由:Grok 将 Grok Imagine 的图像与视频创作集中到同一入口,用户可以直接在 Grok 中开始创作,信息也给出了具体使用入口。
Google Arts & Culture推出南非艺术家 Esther Mahlangu 博士的首个在线回顾展,庆祝她91岁生日。展览收录超过45个策划故事、线上导览和艺术档案,并借助 AI 重现她1980年前的未记录记忆。团队根据访谈与档案生成静态图像,再用 Veo 制作视频,将相关故事纳入在线档案。
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。
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。
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。
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。
Meta Superintelligence Labs 发布 Muse Image,并预览 Muse Video。
推荐理由:文章交代了 Muse Image 的工具调用、自我优化和多参考合成机制,以及 Muse Video 的预览状态与开放范围,便于理解这次发布的能力边界。