跳到正文
#图像生成
5月27日周三
5月26日周二
  1. SenseTime70

    OpenSenseNova开源了SenseNova-U1的完整训练代码库，支持其8B密集模型与A3B MoE架构。该代码库使用一个统一的框架，可同时训练多种多模态任务，包括文本到图像生成、图像编辑、交错生成及文本与视觉理解。工程上为大规模训练设计，支持混合并行、流式可恢复数据管线、环境变量驱动配置以及从1×8 GPUs到多节点集群的扩展能力。代码已在GitHub开源，采用Apache-2.0协议。

5月25日周一
  2. IT之家·人工智能42

    “把我整得像 AI 脸一样帅”成英国新潮流，整形外科医生称几乎无法实现

    英国整形医生发现，越来越多求美者带着AI生成的“完美版自己”自拍咨询，追求零毛孔、极度对称的五官等几乎无法通过现实手术实现的“AI脸”特征。这种高度模板化的图像（如女性V字脸、男性宽下颌）被患者视为整形目标，医生们担忧其强烈的心理影响及手术无法兑现预期的现实局限。此外，社交媒体上部分“整形奇迹”案例的真实性也受到AI生成的质疑。

5月24日周日
  2. IT之家·人工智能47

    消息称苹果 iOS 27 将升级相机、照片应用：增加自定义选项，补全视觉智能

    苹果将在 iOS 27 系统中大幅升级相机与照片应用。相机应用将引入自定义界面布局功能，允许用户将闪光灯、曝光控制、定时器等选项直接放置在主界面，并强化专业控制。同时，视觉智能功能将以全新 Siri 形态集成至相机，新增扫描食品营养标签、名片等能力。照片应用则新增“扩展”“增强”“重构”三项 AI 编辑工具，分别对应生成式填充、自动优化画质以及调整空间照片构图。

5月23日周六
5月22日周五
  4. Elon Musk73

    Grok 进展 Grok Imagine Agent Mode 现已在 Grok iOS 应用上推出。 借助 Agent Mode，你可以生成： • 跨代际一致的角色 • 同一角色的多场景画面 • 不同的镜头角度和环境 • 更具电影感和连贯性的叙事视觉效果 这是角色一致性和 AI 生成叙事方面的一次重大升级。 现在就在 Grok iOS 应用中尝试吧。

    引用X Freeze@XFreeze

    Grok Imagine Agent Mode 现已在 Grok iOS 应用上线 借助 Agent Mode，你可以生成： • 跨多次生成保持一致的角色 • 同一角色的多个场景 • 不同的镜头角度和环境 • 更具电影感且连贯的叙事画面 这是角色一致性和 AI 生成叙事方面的一次重大升级 现在就在 Grok iOS 应用里试试吧

    推荐理由：Grok Imagine Agent Mode把角色一致性从「抽卡」变成可控流程，做故事板、漫画创作的可以立刻上手，虽然目前仅限iOS，但这一步方向很对。

  7. Saining Xie60

    RAEv2通过大幅简化架构并提升通用性，在文本到图像（T2I）和世界模型等任务中实现了超过10倍的收敛速度提升，同时改善了重建与生成质量。研究团队在大量实验中发现，强大的表示编码器对像素解码器至关重要。传统评估指标（如FID）已不足以全面衡量模型性能，新的评估指标（如ep@fid-k/fdr^k）揭示了生成模型领域仍存在广阔的研究空间。

    引用Jaskirat Singh@1jaskiratsingh

    In Oct last year, Representation Autoencoders provided an elegant solution to unified tokenization for understanding and generation. Today we make them a bit more simple. a bit more general. Result: >10x faster convergence, better reconstruction, better generation. And yes we test them on T2I and world models :) Introducing RAEv2

  8. ViggleAI66

    介绍Fight Anyone 3D🥊一款3D派对格斗游戏，可能是上班时玩起来最爽的游戏。 上传任何人的照片 → 一个可玩的3D格斗角色，带有语音、个性+招牌动作，由Viggle自研游戏引擎+模型打造。 公测期间100%免费+赠送20张礼品卡。玩得越多，赢得越多！ 和同事对战。和朋友对战。和任何人对战。链接+教程+更多内容见下方推文串 ↓

    推荐理由：Viggle把「上传照片生成3D格斗角色」做成了免费派对游戏，有声音有个性，交互感拉满，是近期最适合摸鱼的产品，但AI含量主要在娱乐侧，别当生产力工具。

  9. 美团 LongCat：HuggingFace 新模型73

    LongCat-Video-Avatar-1.5：升级版音频驱动数字人视频生成框架

    美团LongCat团队发布了LongCat-Video-Avatar-1.5，一个专注于音频驱动数字人视频生成的开源框架。其核心升级在于采用Whisper-Large音频编码器，显著优化了唇部动态的流畅度与自然度。该版本实现了精准的唇形同步、全身时序稳定性以及长视频中的身份一致性，并能泛化应用于动漫、动物及多人交互等复杂场景。通过基于DMD2的步蒸馏技术，模型仅需8步即可高效推理。团队还构建了一个涵盖多场景、多语言的人工评估基准，通过大规模主观评分与专家分析，验证了其在多项关键维度上的优异性能。

    推荐理由：美团把数字人模型升级到1.5版，换了Whisper做音频编码，唇形同步比之前自然不少，而且开源了训练代码，做电商直播和虚拟博主的朋友可以直接拿过来跟商业方案掰手腕。

5月21日周四
  2. MarkTechPost63

    一个模型，三种模态：字节跳动发布 Lance 用于图像与视频的理解、生成和编辑

    字节跳动智能创作实验室发布了Lance，这是一款开源的原生统一多模态模型。它能够在单一框架内，同时处理图像与视频的理解、生成和编辑三大任务。该模型仅需激活30亿参数，实现了用一个轻量级模型统一处理多种视觉内容创作与理解的需求。

  3. IT之家·人工智能59

    Adobe Photoshop 27.7 更新：移除工具支持本地 AI 处理

    Adobe 发布了 Photoshop 27.7 桌面版更新，核心升级是为“移除工具”新增了本地端侧 AI 模型支持。用户现在可以在不联网的情况下使用该功能移除对象，从而提升处理隐私并减少对网络的依赖。不过，此功能对硬件有明确要求，苹果 Mac 用户需搭载 M1 Pro 或更新芯片，且内存不低于 24GB，否则无法启用。此外，本次更新还包括集成 Firefly 灵感板以及将高级生成式 AI 功能的月度积分从 25 提升至 100。

  4. Midjourney69

    今日小幅更新。许多用户要求为V8模型恢复“反向提示”功能（旧版本已有），我们称之为--no标志。该功能现已在V8.1中上线！如果您想从图像中排除某些元素（例如人物），可以尝试使用--no people。玩得开心！

    推荐理由：Midjourney 把老版本的反提示词带回到 V8.1 了，用 --no 就能剔除画面中不想要的东西，受够了多余路人甲的用户终于可以一键清场。

  6. Rohan Paul63

    商汤科技近日开源了SenseNova U1，其核心创新在于架构设计。该模型摒弃了传统的视觉编码器与变分自编码器分离结构，采用单一共享表示空间原生处理图像与文本，极大减少了模块间转换导致的信息损耗。这一设计使模型能够连贯地同时生成图文内容，在信息图、海报、漫画等需要高一致性的密集视觉内容创作上优势显著。性能方面，其信息图生成速度在同等质量下约为Qwen-Image-2.0/Seedream-4.5的两倍。

  7. Google AI69

    谷歌与创作者合作推出系列AI工具更新。Google Workspace新增图像创作编辑工具Pics；Google Flow支持Gemini Omni Flash模型，并推出Flow Agent作为多步骤创作伙伴；设计工具StitchbyGoogle支持实时文字或语音编辑布局并导出代码；音乐工具Google FlowMusic增加分段编辑、风格混音及视频生成功能。

    推荐理由：Google这次更新的不是单点工具，而是把AI能力像乐高一样嵌入到创意工作流的每一步，Flow Agent的多步骤推理尤其值得做设计的人试试看。

5月20日周三
  2. The Verge：AI61

    AI内容标签系统迎来关键发展期

    针对AI生成内容的验证系统正处在关键发展期。谷歌在I/O大会上宣布，其隐形水印技术SynthID的验证能力将扩展至谷歌图片搜索，同时开放标准C2PA也获得更多行业支持。这些技术通过为图像、视频和音频文件嵌入不可见的来源标记，帮助用户辨别内容真伪。此前教皇AI假图等事件的传播，凸显了缺乏有效标签系统的困境。此次两大技术的迄今最大规模扩展，被视为扭转未标记AI虚假内容在线传播局面、建立可信数字生态的重要契机。

  3. IT之家·人工智能60

    OpenAI推出AI图像双重溯源方案：C2PA元数据与隐形水印结合

    为应对AI生成图像难以鉴别真伪的问题，OpenAI于5月20日宣布同时采用C2PA开放标准与谷歌的SynthID隐形水印技术。C2PA标准在图像元数据中添加可查看的AI生成标识，而SynthID则具备更强的抗篡改能力，两者形成互补。目前该措施仅适用于OpenAI自家产品生成的图像，同时公司展示了一款可检测这两种标识的核验工具，初期用于自家图像，后续计划扩展支持。

  4. Kling AI47

    Kling AI展示了其在动画《生来如潮》中全流程应用AI技术的实践。该项目以疍家文化为背景，利用Kling AI辅助完成了从美术指导、环境设计到角色动作、电影镜头规划等关键环节。通过AI驱动的动画制作，项目降低了制作门槛，减少了对大规模团队和漫长制作周期的依赖，使高质量、史诗级的视觉叙事变得更高效、更易扩展，指向了更具敏捷性和创作自由度的动画未来。

  5. Rohan Paul73

    商汤科技SenseNova U1已开源发布。其核心创新在于原生多模态统一建模，将视觉、语言与图像生成视为一个统一问题，而非分立模块的链式处理，从而减少了信息损失。该模型采用MoT架构（38B-Active 3B MoE），在生成信息图、海报、漫画等结构复杂的密集图文内容时能保持高度一致性。详细的技术报告披露了其包括近无损视觉接口、联合训练策略在内的完整构建方案，为行业提供了前沿参考。

    引用SenseTime@SenseTime_AI

    🔥 New week, New 𝗦𝗲𝗻𝘀𝗲𝗡𝗼𝘃𝗮-𝗨𝟭 Drop — and this one goes Deep!🔥 📄 𝗧𝗵𝗲 𝗳𝘂𝗹𝗹 𝗧𝗲𝗰𝗵𝗻𝗶𝗰𝗮𝗹 𝗥𝗲𝗽𝗼𝗿𝘁 𝗶𝘀 𝗢𝗨𝗧 — the most detailed disclosure yet of how to build a frontier Native Multimodal Model. Inside: ✨ Near-lossless visual interface (no VEs, no VAEs) ✨ Native Multimodal Unified Modeling ✨ Joint AR + pixel-space flow matching training ✨ Native Mixture-of-Transformers backbone ✨ 6-stage training recipe + RL post-training + distillation If you work on NMM, this is the playbook. 🤗 One more thing: 𝗦𝗲𝗻𝘀𝗲𝗡𝗼𝘃𝗮-𝗨𝟭-𝗔𝟯𝗕-𝗠𝗼𝗧 (𝟯𝟴𝗕-𝗔𝟯𝗕 𝗠𝗼𝗘) 𝘄𝗲𝗶𝗴𝗵𝘁𝘀 𝗮𝗿𝗲 𝗻𝗼𝘄 𝗼𝗽𝗲𝗻-𝘀𝗼𝘂𝗿𝗰𝗲𝗱 — a RARE native unified model on an MoE backbone (Only 3B active! Lightning Fast⚡) 📄 Tech Report: https://arxiv.org/abs/2605.12500 🤗 Daily Papers (Vote & Discuss): https://huggingface.co/papers/2605.12500 🤗 Models: https://huggingface.co/collections/sensenova/sensenova-u1 💻 Code: https://github.com/OpenSenseNova/SenseNova-U1 🎮 Demo: https://unify.light-ai.top 👾 Discord: https://discord.com/invite/BuTXPHmQub

  7. TechCrunch：AI42

    Google 在 IO 2026 宣告入局 AI 设计

    Google 在 IO 2026 大会上正式展示了其在 AI 设计领域的能力。该公司推出了一款新应用，旨在让包括教师、小企业主在内的所有人都能轻松使用。这款应用的发布标志着 Google 进一步将 AI 技术下沉至日常创作工具中，强调其易用性与普惠性，试图降低专业设计的门槛。

  8. IT之家·人工智能50

    谷歌推出 Google Pics 应用：AI 生图加局部精细编辑

    谷歌在2026年I/O开发者大会上，面向Workspace用户推出了AI图像生成与设计工具Google Pics。该工具以网页应用形式上线，核心是将图像生成与编辑设计整合在同一流程中，用户可通过鼠标悬停点选元素，并用文字或语音指令进行局部精细调整，无需重新生成整张图片。系统会提供多个候选版本，成品可输出为JPG或PNG格式。目前仅对部分受信测试者开放，AI Pro订阅用户将在夏季稍后体验，未来计划推出移动应用并整合到更多Workspace应用中。

5月19日周二
  1. IT之家·人工智能59

    Anthropic 提升 Claude Design 额度并更新 Claude Code 快速模型

    5月19日，Anthropic 宣布对 Claude 产品线进行两项重要更新。首先，所有付费套餐中 Claude Design 的 Token 上限已翻倍，旨在减少设计中断并支持更长上下文与迭代。其次，Claude Code 的快速模式（通过“/fast”启用）现已默认切换至 Opus 4.7 模型，速度提升至 2.5 倍，但 Token 成本更高。价格方面，Opus 4.7 与之前的 Opus 4.6 在快速模式下定价一致，均为每百万输入 Token 30 美元、输出 150 美元，并覆盖 100 万 Token 的完整上下文窗口。

  2. IT之家·人工智能68

    小米斩获 CVPR 2026 NTIRE 赛事三项奖项

    近日，小米在 CVPR 2026 NTIRE 图像恢复与增强赛事中获得三项大奖。小米玄戒多媒体算法团队凭借自研SPANV2方法，以综合得分4.43夺得高效超分辨率赛道冠军，实现了画质与速度的均衡提升。小米大模型应用团队通过双阶段级联框架与单步扩散技术，获得人像修复赛道冠军；并在反光消除赛道通过骨干网络升级与知识蒸馏等策略获得亚军，主观评分达4.31分，多项客观指标位列第一。