跳到正文
#图像生成
2月27日周五
  3. Google DeepMind：Blog83

    Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image）图像模型

    Google DeepMind 发布图像生成模型 Nano Banana 2（Gemini 3.1 Flash Image），以 Flash 速度提供 Nano Banana Pro 级别的世界知识、精准文字渲染、最多 5 个角色和 14 个物体的一致性，以及 512px 至 4K 的规格。

    推荐理由：官方介绍把 Pro 级知识、主体一致性和 4K 输出放到 Flash 速度的模型里，并列出各产品开放范围，方便读者判断工作流如何调整。

2月21日周六
2月19日周四
2月18日周三
2月17日周二
  1. Midjourney：Updates

    V8 评分活动更新

    Midjourney 本周将再举办两场 V8 Rating Party，随后正式发布 V8 模型。用户可前往 midjourney.com/rank-v8 参与 Round 1 图片评分，当前反馈已直接用于模型优化。

2月14日周六
  1. Midjourney：Updates

    V8 评分活动

    Midjourney V8 进入最后优化阶段，团队邀请用户访问 midjourney.com/rank-v8 参与图片评分。通过两两对比选择更美图片，帮助改进模型质量。

2月13日周五
  1. 字节 Seed：Research Feed

    "思考"更深,生成更准|Seedream 5.0 Lite 发布

    字节跳动发布 Seedream 5.0 Lite 图像生成模型，采用多模态统一架构，跨模态理解与推理能力显著提升，Elo 评分超越前代 4.5 版本。模型首次引入实时检索增强能力，可联网获取最新知识，突破训练数据时间限制。内置丰富世界知识库，在信息可视化、视觉推理、复杂多主体生成等场景表现突出，能根据模糊指令精准修图，支持风格迁移与多步逻辑推理。目前已上线即梦 AI、火山方舟体验中心及豆包内测。

    推荐理由：字节发布 Seedream 5.0 Lite，支持实时检索与深度推理的图像生成模型。

2月12日周四
2月11日周三
  1. FireRedTeam：原创语音与多模态项目65

    小红书团队开源 FireRed-Image-Edit 图像编辑模型并发布 REDEdit-Bench

    小红书智能创作团队开源 FireRed-Image-Edit 图像编辑模型，权重采用 Apache 2.0 协议，并在 ImgEdit、GEdit 和自建 REDEdit-Bench 上取得开源模型中的最高分，如 ImgEdit_O 4.56。

    推荐理由：小红书团队开源图像编辑模型，README 给出完整基准对比表、训练与部署方案，读者可自行核对开源 SOTA 的成色。

  2. 蚂蚁百灵：Developer Blog83

    感知无界·创造有形：百灵全模态 Ming-flash-omni-2.0 焕新生活想象

    百灵全模态大模型Ming-flash-omni-2.0正式发布。该模型基于MoE架构，在视觉、语音、图像等全模态能力上实现代际跃迁，其核心突破在于一个统一模型同时具备了强大的通用泛化能力和特定模态的专家级表现。具体特色包括：视觉百科能精准识别万物并关联知识；语音生成可控制情绪、方言，提供百种音色，并能统一生成语音、音效与背景音乐；图像创作可实现氛围重构、场景合成与智能擦除。技术层面通过亿级数据细粒度感知、知识对齐及超低帧率音频表征等创新实现性能飞跃。模型已在多个平台开源。

    推荐理由：国产全模态模型开源，多模态能力达领先水准，开发者可直接体验或集成。

2月10日周二
2月3日周二
  1. Hugging Face 社区博客73

    文本到图像模型训练设计：来自消融研究的经验

    Photoroom团队通过消融研究，总结了文本到图像模型训练的关键发现：混合高质量与多样化数据、在训练中后期引入强数据增强，以及调整无分类器引导的丢弃率，能有效优化模型性能。这些结论为Stable Diffusion等模型的训练提供了实用指导。

    推荐理由：为文本到图像模型训练提供实用优化建议，帮助开发者提升模型效果。

  2. 美团 LongCat：HuggingFace 新模型

    美团-longcat/LongCat-Image-Edit-Turbo

    美团-longcat发布LongCat-Image-Edit-Turbo图像编辑模型，秉持开源与开放科学理念推进人工智能技术的普及。该项目专注于图像编辑领域，旨在提供高效的图像处理能力。目前公开信息主要阐述项目愿景与使命，具体技术参数、性能指标及版本更新细节有待进一步披露。

2月2日周一
  1. Manus：Blog60

    实测五款AI图像生成器：ChatGPT、Midjourney、Nano Banana Pro、Adobe Firefly与Manus对比

    Manus博客发布一篇亲测对比，作者花数周用相同的逼真书籍、印象派油画、文本标志和幻想景观四个提示词测试五款AI图像生成器。ChatGPT (GPT-4o)与Manus获5/5评分，Midjourney 4/5，Nano Banana Pro与Adobe Firefly 3/5；五款中四款有免费版本，Midjourney是唯一无免费计划的工具。

    推荐理由：作者用相同四个提示词实测五款图像生成工具，给出定价、免费额度和各自强弱项，便于按需求与预算挑选。

1月24日周六
  1. Saining Xie

    > "rae 无法扩展" > "rae 无法泛化到 imagenet 之外" > "rae 无法处理细节" > 没有在网上争论 > 学生们埋头苦干 > 在真正的 t2i 规模上尝试 > 结果出来了 > 看起来非常乐观 > 向 peter、boyang、austin > 以及所有交付成果的人致敬 > 代码、模型、数据 > 全部开源 👇 [引用 @TongPetersb]：去年十月，我们提出了 Representation Autoencoders (RAE)，展示了在冻结的语义表示上训练扩散模型是可行的，并且在 ImageNet 上优于 VAEs。 我们收到了很多问题：这能否扩展到像 T2I 这样的复杂场景？优势是否依然存在？ 答案是肯定的。🧵

    引用Peter Tong@TongPetersb

    Last October, we introduced Representation Autoencoders (RAE), showing that training diffusion on frozen semantic representations works and outperforms VAEs on ImageNet. We received many questions: Can this scale to complex settings like T2I? Do the advantages hold? The answer is YES. 🧵

1月21日周三
  1. Midjourney：Updates

    Web 端更新

    新增 6:11、4:5、5:4、21:9 四种宽高比选项；未使用 cref/oref 时自动去除 --cw/--ow 参数；自动清理 moodboard 任务中不支持的 weird 参数。

1月16日周五
  1. LMSYS Blog

    SGLang-Diffusion：发布两月进展综述

    SGLang-Diffusion 最新版本（lmsysorg/sglang:dev-pr-17247）性能较初始版本提升2.5倍，在NVIDIA GPU上较其他方案快5倍。新增Day-0支持Flux.2、Qwen-Image系列、Z-Image-Turbo等多款模型，完整支持LoRA格式与HTTP API，并推出ComfyUI集成插件。技术层面引入Layerwise Offload机制实现计算与权重加载重叠，支持SP/TP混合并行及SageAttention系列后端，兼容AMD、4090、5090及MUSA硬件。

1月10日周六
  1. Midjourney：Updates

    Niji V7 正式发布！

    Niji V7 图像模型正式上线。该版本专为亚洲及动漫场景优化，改进了动漫连贯性、提示词理解能力、文字渲染效果及 sref 性能。

    推荐理由：Midjourney 动漫专用模型 Niji V7 发布，生成质量再升级

2025年12月31日周三
2025年12月23日周二
2025年12月22日周一
  1. Manus：Blog52

    Manus 发布 Design View 设计功能

    Manus 发布 Design View，作为 Manus Agent 的扩展功能，支持生成图像、用标记工具对选中元素做精确编辑、提取和编辑图片文本，已向所有用户开放。设计模式由 Google 的 Nano Banana Pro 图像生成模型提供支持，移动端可按住标记、语音或文本输入指令并批量编辑多个区域。

2025年12月19日周五
2025年12月18日周四
  1. 公众号：小红书技术42

    NeurIPS2025｜小红书AIGC团队提出布局可控生成框架InstanceAssemble

    小红书AIGC团队在NeurIPS2025上提出全新布局可控生成框架InstanceAssemble，专用于复杂场景下的Layout-to-Image任务。该框架通过从布局条件中引导图像生成，实现了对多对象位置、大小及空间关系的精确控制，解决了现有模型在密集布局下对象漏生、重叠等难题。

  2. Manus：Blog53

    Manus 上线 Nano Banana Pro 幻灯片局部编辑功能

    Manus 推出 Nano Banana Pro 幻灯片编辑功能，此前每张幻灯片是完整图像，微小修改需重新生成。现在所有用户可对任意幻灯片编辑文本、指向并编辑视觉元素、查看前后对比并批量选择多个区域，编辑后保持与原始生成相同的质量，即日起面向所有用户开放。

2025年12月16日周二
  3. Saining Xie

    新论文：iREPA 扩散模型是其底层表征的渲染器。通过这种新设置，我们能更清楚地洞察这些表征的真正含义。Jas 开始了一场自发的探索，过去三个月我们学到了很多 ps. 这也是我们对一种新型线上"饮水机效应"的小实验，我很喜欢看到这种现象。让我们争论、讨论，然后用真正的努力将其转化为正经科学 [引用 @1jaskiratsingh]：‼️ 表征对生成很重要！但事实证明，我们对表征如何帮助生成的理解一直都是错的 ‼️ 我们之前的想法：（我们错了） ❌ 更大的视觉编码器 → 更好的表征 → 更好的生成 ❌ 更好的全局语义 → 更好的表征 → 更好的生成 结果发现： 🤯 在表征对齐方面，小 20 倍以上的视觉编码器可以达到与更大模型相似或更好的性能 🤯 线性探测准确率约 20%（全局语义的衡量指标）的视觉编码器可以胜过准确率 >80% 的编码器 🤯 即使是 SiFT 和 HoG 这类经典特征也能带来与现代大得多的视觉编码器相媲美的提升 ‼️ 🚨 介绍：什么对表征对齐重要？全局信息还是空间结构 🚨 TL;DR： ✅ 更好的全局语义信息 ≠ 更好的生成 ✅ 空间结构（而非全局语义）驱动表征的生成性能 ✅ 我们提出 iREPA：仅需 3 行代码，强调空间结构迁移，并在 REPA、REPA-E、Meanflow、JiT 等方法上持续提高收敛速度 在 @AdobeResearch 的激动人心的项目，与 @xingjian_leng、@zongze_wu、@LiangZheng_06、@rzhang88、@elishechtman 和 @sainingxie 合作 🙏 对我来说这也是一次特别有趣且独特的经历，在项目的每一步我们都在证明自己的偏见是错误的 😆 还要大力感谢 @YouJiacheng、@ShumingHu 和 @gallabytes，他们在 X 上的评论开启了这一方向的探索 🫡 论文：https://arxiv.org/abs/2512.10794 代码：https://github.com/End2End-Diffusion/iREPA 项目页面：https://end2end-diffusion.github.io/irepa 更多细节见线程：[1/n] 🧵

    引用Jaskirat Singh@1jaskiratsingh

    ‼️ 表征对生成至关重要！但事实证明，我们一直以来对表征如何帮助生成的理解都是错的 ‼️ 我们原本以为的：（我们错了） ❌ 更大的视觉编码器 → 更好的表征 → 更好的生成 ❌ 更好的全局语义 → 更好的表征 → 更好的生成 事实证明： 🤯 小 20 倍以上的视觉编码器在表征对齐方面可以拥有与更大模型相似甚至更好的性能 🤯 线性探测准确率（衡量全局语义的指标）约 20% 的视觉编码器可以胜过准确率超过 80% 的编码器。 🤯 甚至像 SiFT 和 HoG 这样的经典特征也能带来与现代大得多的视觉编码器相当的竞争力提升 ‼️ 🚨 隆重介绍：表征对齐的关键是什么？全局信息还是空间结构 🚨 TL;DR： ✅ 更好的全局语义信息 ≠ 更好的生成 ✅ 空间结构（而非全局语义）驱动表征的生成性能 ✅ 我们提出 iREPA：仅 3 行代码，即可强化空间结构迁移，并在 REPA、REPA-E、Meanflow、JiT 等中持续提升收敛速度 令人兴奋的项目，来自 @AdobeResearch，并与 @xingjian_leng、@zongze_wu、@LiangZheng_06、@rzhang88、@elishechtman 和 @sainingxie 合作 🙏 对我来说，这也是一次特别有趣且独特的经历，我们在项目的每一步都在证明自己的偏见是错的 😆 还要特别感谢 @YouJiacheng、@ShumingHu 和 @gallabytes，他们在 X 上的评论开启了这一方向的探索 🫡 论文：https://arxiv.org/abs/2512.10794 代码：https://github.com/End2End-Diffusion/iREPA 项目主页：https://end2end-diffusion.github.io/irepa 更多细节见推文串：[1/n] 🧵

    推荐理由：颠覆认知：小20倍视觉编码器也能驱动高质量生成，空间结构才是关键

2025年12月5日周五
  1. 美团 LongCat：HuggingFace 新模型

    美团 LongCat-Image-Edit 图像编辑项目

    美团发布 LongCat-Image-Edit 图像编辑项目，致力于通过开源与开放科学推进人工智能技术的普及与民主化。该项目旨在降低 AI 技术应用门槛，通过开放协作促进全球开发者共同参与技术创新，推动先进图像编辑能力的广泛可及。

2025年12月4日周四
  1. 美团 LongCat：HuggingFace 新模型

    美团 LongCat-Image-Dev 开源图像项目

    美团发布 LongCat-Image-Dev 开源项目，致力于通过开源和开放科学推进人工智能技术的普及与民主化。该项目作为 LongCat 系列的图像开发版本，旨在降低 AI 技术门槛，促进全球开发者协作创新，体现了美团在人工智能领域拥抱开源生态的战略布局。

  2. 美团 LongCat：HuggingFace 新模型

    美团-longcat/LongCat-Image

    美团-longcat 推出 LongCat-Image 开源项目，致力于通过开源协作与开放科学研究推进人工智能技术的进步与民主化。该项目旨在降低 AI 技术门槛，打破技术壁垒，让先进的 AI 能力更加普惠可及，体现了通过开放生态促进 AI 技术普及的战略愿景。

2025年11月25日周二
  1. Together AI 研究与产品博客64

    Together AI 上线 Black Forest Labs 的 FLUX.2 多参考图生图模型

    Together AI 将 Black Forest Labs 的 FLUX.2 图像模型接入 Model Library，面向 100 万以上开发者提供多参考输入、hex 色号颜色匹配和文本渲染能力。

    推荐理由：原文列出了多参考输入、hex 色号匹配和三个型号的具体参数，读者可据此判断是否接入现有生成工作流。

  2. Hugging Face 社区博客80

    Diffusers 集成 FLUX-2 模型

    Hugging Face 的 Diffusers 库正式集成 Black Forest Labs 开发的 FLUX-2 文生图模型。该模型拥有 120 亿参数，采用多模态扩散 Transformer 架构，在图像质量、提示遵循和分辨率方面表现优异，支持生成 1024x1024 像素图像。此次集成让开发者能通过 Diffusers API 便捷使用这一先进模型。

    推荐理由：FLUX-2 图像生成模型正式进入 Diffusers 生态，本地部署和微调更便捷

2025年11月20日周四
  1. Google DeepMind：Blog

    Gemini 应用新增 AI 图像验证功能，可识别 SynthID 水印

    Google 在 Gemini 应用中上线 AI 图像验证工具，用户上传图片即可查询是否由 Google AI 生成或编辑。该功能通过检测 SynthID 数字水印实现，该技术已应用于超 200 亿个 AI 生成内容。未来验证范围将扩展至视频和音频，并支持 C2PA 内容凭证标准。本周起，Nano Banana Pro（Gemini 3 Pro Image）在 Gemini、Vertex AI 和 Google Ads 中生成的图像将嵌入 C2PA 元数据，未来还将支持验证 Google 生态系统外的模型生成内容。

  2. Google DeepMind：Blog80

    Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image）图像生成与编辑模型

    Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），基于 Gemini 3 Pro 的高保真图像生成与编辑模型，已在 Google AI Studio 和 Vertex AI 以付费预览形式推出。

    推荐理由：原文给出模型的核心能力细节、可用分辨率与接入方式，开发者可据此判断是否适合替换现有图像生成工作流。

  3. Google DeepMind：Blog

    Google DeepMind 发布 Nano Banana Pro 图像生成模型

    Google DeepMind 发布 Nano Banana Pro 图像生成模型，基于 Gemini 3 Pro 构建，支持多语言可读文本直接渲染，可结合 Google Search 实时信息生成信息图表。该模型支持 14 张图像融合，保持 5 个人物形象一致性，输出 4K 分辨率。现已集成至 Gemini 应用、Google Ads、Google AI Studio 等产品，所有生成内容均嵌入 SynthID 水印以确保透明度。

    推荐理由：Google 发布 Nano Banana Pro 图像生成模型，支持多语言文本渲染与 4K 输出

  4. Midjourney：Updates

    Web 端更新

    随 Profiles 功能今日上线，"Hide"过滤器更名为"Trash"。被移至 Trash 的创作内容将不再显示于 Create 页面，功能命名更贴合实际用途。