ElevenLabs 推出 Image & Video (Beta)，整合视觉生成与音频创作
ElevenLabs 发布 ElevenLabs Image & Video (Beta)，将图像和视频生成纳入其创作平台。
推荐理由：官方宣布音频平台扩展到图像与视频，整合多家视觉模型并在同一工作流完成配音和导出，可关注其统一创作流程的实际体验。
#图像生成
ElevenLabs：Blog精选AI 评分6262
LMSYS Blog SGLang Diffusion：加速视频与图像生成
SGLang 推出 Diffusion 推理引擎，将高性能 LLM 服务架构扩展至视频与图像生成领域。该系统支持 Wan、Hunyuan、Qwen-Image、Flux 等主流开源扩散模型，在 H100/H200 GPU 上实现 1.2-5.9 倍加速。通过 ComposedPipelineBase 架构抽象与统一序列并行技术，提供 OpenAI 兼容 API、CLI 及 Python 接口，并与 FastVideo 合作覆盖从训练到部署的全流程。
Google DeepMind：Blog Gemini 图像编辑功能迎来重大升级
Gemini 应用原生图像编辑功能迎来重大升级，用户现可通过更新后的工具以全新方式变换图像，获得更强大的创意编辑能力。
Together AI 研究与产品博客精选AI 评分6666 Together AI 上线 40 多个图像与视频生成模型，新增视频生成 API
Together AI 宣布扩展模型库，通过 Runware 合作集成 20 多个视频模型（含 OpenAI Sora 2、Google Veo 3、Minimax Hailuo、Kling v2.1）和 15 个以上图像模型（含 Google Imagen 4.0 Ultra、Nano Banana、Qwen Image），共 40 多个。
推荐理由：Together AI 官方给出了 40 多个图像与视频模型的名称、时长和逐模型定价，开发者可据此评估能否用一个平台替代多家供应商。
Midjourney：Updates Midjourney 风格排名与 TV 功能更新
Midjourney 启动第二轮高分辨率风格排名活动，改为单图排名模式以学习细节特征、改进风格系统。同期正在新增 TV 功能。
Microsoft AI：官方博客精选AI 评分6161 Microsoft AI 发布首个全自研图像生成模型 MAI-Image-1，登上 LMArena 文生图前十
Microsoft AI 发布首个完全在内部开发的图像生成模型 MAI-Image-1，在 LMArena 文生图榜单上首次亮相即进入前十。模型擅长生成写实图像，如光影（反弹光、反射）和风景，兼顾速度与质量，便于用户快速迭代后再迁移到其他工具精修。
推荐理由：微软首次全自研图像生成模型上线 Bing Image Creator 和 Copilot，主打生成速度与写实光影，创作者可以据此尝试更快迭代。
Google DeepMind@GoogleDeepMindGoogle 携手工业设计师 Ross Lovegrove 与 modem_works，利用 Gemini 及图像生成技术构建工具，将其标志性美学转化为全新家具设计概念。
蚂蚁 inclusionAI：GitHub 新仓库AI 评分5151 inclusionAI/Ming-UniVision
inclusionAI 发布了 Ming-UniVision 的代码。该项目提出了一种创新的连续统一分词器，旨在联合处理图像理解与生成任务。该技术试图将视觉识别和图像合成整合进一个统一的框架内，通过连续化的表示来桥接两类不同性质的视觉任务，有望提升多模态模型的效率和协同能力。此次代码开源意味着相关方法将可供社区研究、复现与应用。
OpenRouter：AnnouncementsAI 评分4949 OpenRouter 上线首个图像模型 Gemini 2.5 Flash Image Preview
OpenRouter 现已上线 Gemini 2.5 Flash Image Preview，这是该平台首个图像生成模型，支持 SOTA 图像生成、角色一致性以及多图像输出。
OpenRouter：AnnouncementsAI 评分4646 OpenRouter 上线首个图像模型 Gemini 2.5 Flash Image Preview
OpenRouter 现已提供 Gemini 2.5 Flash Image Preview，这是平台上的首个图像模型。该模型具备 SOTA 图像生成能力，支持角色一致性（character consistency）和多图像输出（multi-image outputs）。
OpenRouter：AnnouncementsAI 评分4242 首个图像模型在 OpenRouter 上线
Gemini 2.5 Flash Image Preview 模型已在 OpenRouter 平台正式发布。该模型是首个在该平台上线的图像生成模型，具备当前最优的图像生成能力。其核心特性包括出色的角色一致性和支持多图像输出功能，为开发者与用户提供了新的图像生成工具选项。
Hugging Face 社区博客精选AI 评分6161 Hugging Face 教你将 Claude 连接 Spaces 用 FLUX.1 Krea dev 和 Qwen-Image 生成图像
Hugging Face 发布教程，介绍通过 Remote MCP server（https://huggingface.co/mcp?login）把 Claude 连接到 Hugging Face Spaces 生成图像，2025 年 10 月起需用 Add custom connector 方式添加。
推荐理由：教程给出了把 Claude 连接 Hugging Face MCP Server 调用 Krea 与 Qwen-Image 生成图像的具体步骤和适用场景。
Hugging Face 社区博客精选AI 评分6363 Diffusers 与 PEFT 优化 Flux LoRA 推理，H100 上提速 2.23x
Hugging Face 发布针对 Flux.1-Dev 的 LoRA 快速推理优化教程，结合 Flash Attention 3、torch.compile 和 FP8 量化，在 H100 上实现约 2.23x 提速。
推荐理由：原文给出可复现的 Flux LoRA 推理优化配方和实测延迟数据，覆盖 H100 与 RTX 4090 两种硬件场景，方法可直接迁移到自己的部署流程。
Mistral AI：NewsAI 评分5757 Mistral 为 Le Chat 推出 Deep Research、语音模式、Projects 等多项新功能
Mistral 宣布 Le Chat 上线多项新功能，包括 Deep Research 预览模式、基于 Voxtral 模型的语音模式、由 Magistral 推理模型驱动的多语言思考模式、按项目组织对话的 Projects，以及与 Black Forest Labs 合作的高级图像编辑。
Modal 官方工程博客精选AI 评分6262 Modal 如何用 evals 和推理时算力扩展生成既美观又可扫的 QArt 二维码
Modal 团队复盘其 QArt codes 服务的工程过程，通过 evals 和推理时算力扩展将二维码扫描率提升到 95% 的 SLO，同时改善美观度并将 p95 端到端延迟控制在 20 秒内。
推荐理由：Modal 团队复盘 QArt codes 从不可扫到 95% 扫描率的工程路径，evals 构建与推理时并行扩展的方法可迁移到其他生成模型应用。
Saining Xie@sainingxie@jiacheng_chen_ 和 @sanghyunwoo1219 在基于3D的视觉合成方面的工作很棒（演示也很棒！）
引用Sanghyun Woo@sanghyunwoo1219Introducing BlenderFusion: Reassemble your visual elements—objects, camera, and background—to compose a new visual narrative. Play the interactive demo: https://blenderfusion.github.io/
- Saining Xie@sainingxie引用Xichen Pan@xichen_pan
The code and instruction-tuning data for MetaQuery are now open-sourced! Code: https://github.com/facebookresearch/metaquery Data: https://huggingface.co/collections/xcpan/metaquery-instruction-tuning-data-685b0f16d81ce54bcb7ea3a8 Two months ago, we released MetaQuery, a minimal training recipe for SOTA unified understanding and generation models. We showed that tuning few learnable queries can transfer the world knowledge, strong reasoning, and in-context learning capabilities inherent in MLLMs to image generation. With the training code now available, you can train MetaQuery yourself almost as easily as fine-tuning a diffusion model. We have also open-sourced our 2.4M instruction-tuning dataset. Sourced from web corpora, it offers diverse supervision beyond copy-pasting and unlocks many new exciting capabilities. Thanks @metaai for their support in making it open source!
Hugging Face 社区博客精选AI 评分6969 Hugging Face 教程：用 QLoRA 在 RTX 4090 上以约 9GB 显存微调 FLUX.1-dev
Hugging Face 发布教程，讲解用 QLoRA 和 diffusers 库在单卡消费级硬件上微调 FLUX.1-dev，学习 Alphonse Mucha 画风。
推荐理由：原文给出完整训练配置、显存与耗时数据，读者可以照着在消费级 GPU 上复现 FLUX.1-dev 的 QLoRA 微调。
Modal 官方工程博客AI 评分5757 Modal 讲解如何将 FLUX.1-dev 推理提速三倍并匹配专有 API 性能
Modal 官方博客分享如何将 Black Forest Labs 的 FLUX.1-dev 在 Modal 上的自托管推理提速三倍，使 1024x1024 图像生成延迟从约 6.75 秒降至约 2.2 秒，达到与专有 API 竞争的三秒目标。
- Saining Xie@sainingxie
下周将和学生一起参加 CVPR，很期待。我们将在主会和多个研讨会及教程上展示我们的工作，包括这个👇
引用Willis (Nanye) Ma@ma_nanyeJoin us for a full-day tutorial on Scalable Generative Models in Computer Vision at @CVPR in Nashville, on Wednesday, June 11, from 9:00 AM to 5:00 PM in Room 202 B! 👉 We are honored to have @sainingxie, @deeptigp, @thoma_gu, Kaiming He, @ArashVahdat, and @sherryyangML to speak at our tutorial! 👉 More details and the full schedule are available at: https://vision-x-nyu.github.io/scalable-vision-cvpr2025/ #CVPR2025
- Saining Xie@sainingxie
确实。对于文生图，@xichen_pan 有一个很好的总结支持这种解耦的设计理念："把生成性的归给 diffusion，把理解的归给 LLMs。"
引用You Jiacheng@YouJiachengas expected, this matches findings in unified multimodal understanding and generation models by @sainingxie: frozen VLM might help you. https://xichenpan.com/metaquery/ https://t.co/yDEycR49M5
Goodfire ResearchAI 评分6060 Goodfire 发布 Paint With Ember 并开源驱动的 SAE 模型
Goodfire Research 发布 Paint With Ember，一款通过直接操纵模型内部神经激活来生成和编辑图像的工具，同时开源了支撑该应用的 SAE 解释模型。
Hugging Face 社区博客精选AI 评分6060 Hugging Face Diffusers 量化后端对比：Flux-dev 内存与速度实测
Hugging Face 发布 Diffusers 量化后端指南，对比 bitsandbytes、torchao、Quanto、GGUF 和 FP8 Layerwise Casting 在 FLUX.1-dev 上把 BF16 加载内存约 31.447 GB 压缩到约 10.6 至 23.7 GB 的表现。
推荐理由：原文实测了 Diffusers 各量化后端在 Flux 上的内存和推理速度数据，读者可以按需求选后端并直接复用配置代码。
Google DeepMind：Blog精选 以全新生成式媒体模型与工具激发创意
发布新一代生成式媒体模型 Veo 3 与 Imagen 4，以及专为电影制作打造的工具 Flow，支持更高质量的视频与图像生成及专业影视创作流程。
推荐理由：Google发布Veo 3与Imagen 4生成模型及电影制作工具Flow
Runway：News Runway 推出 Gen-4 Image API
Runway 开放 Gen-4 Image API，集成 References 功能，定价 $0.08/张。支持虚拟试衣、游戏资产生成、室内设计等场景，开发者可通过 bounding boxes 精确控制构图，将多模态生成能力接入自有应用。
OpenAI：官网动态精选AI 评分6868 OpenAI 通过 API 发布最新图像生成模型 gpt-image-1
OpenAI 将最新图像生成模型以 gpt-image-1 形式接入 API。开发者和企业可以在自己的工具和平台中直接构建专业级、可定制的图像生成功能。
推荐理由：原文说明 gpt-image-1 通过 API 开放，可帮开发者把可定制的专业级图像生成接入自有工具与平台。
OpenAI DevelopersAI 评分5252 OpenAI Cookbook 发布用 GPT Image 生成和编辑图像的教程
OpenAI 开发者 Cookbook 发布教程，介绍如何使用 GPT Image 能力生成和编辑图像，并提供可运行的示例供开发者参考。
OpenAI Developers精选AI 评分7979 OpenAI 演示如何使用 4o 模型生成图像
OpenAI 发布介绍视频，演示如何使用 4o 模型创建图像。视频展示了 4o 的图像生成功能的基本用法。
推荐理由：官方演示如何用 4o 模型生成图像，想上手该功能的开发者可以直接参照操作。
OpenAI：官网动态精选AI 评分8282 OpenAI 推出 4o 图像生成，GPT-4o 支持原生图像生成
OpenAI 在 2025 年推出的这次发布为 GPT-4o 引入原生图像生成能力，包括更强的文字渲染和指令遵循。相关功能可通过 ChatGPT Images 2.5 使用。
推荐理由：原文给出 GPT-4o 原生图像生成的核心能力变化和 ChatGPT Images 2.5 入口，可据此了解该功能如何用于生成场景。
FireRedTeam：原创语音与多模态项目AI 评分5151 FireRedTeam 开源 LayerDiffuse 的 Flux 版实现
FireRedTeam 在 GitHub 发布 LayerDiffuse 的 Flux 版实现（LayerDiffuse-Flux），训练了适配 Flux 的透明 VAE 和 LoRA 微调，用于生成透明图像。
xAI：News精选 Grok 正式发布图像生成功能
Grok 推出图像生成功能，支持通过自然语言指令直接创建图片。该功能已向 X 平台用户开放，标志着这款 AI 助手从文本交互向多模态能力扩展，用户可在对话中直接生成并编辑视觉内容。
推荐理由：xAI发布Grok图像生成功能，拓展多模态应用场景
Hugging Face 社区博客AI 评分5555 Hugging Face 社区发布开源文生图偏好数据集 open-image-preferences-v1
Hugging Face 的 Data is Better Together 社区发布 Apache 2.0 许可的文生图偏好数据集 open-image-preferences-v1。
OpenAI：官网动态AI 评分5555 OpenAI 改进连续时间一致性模型，两步采样媲美主流扩散模型
OpenAI 对连续时间一致性模型做了简化、稳定化和规模化改进，样本质量可与领先的扩散模型相当，且只需两步采样。
FireRedTeam：原创语音与多模态项目AI 评分5959 FireRedTeam 开源 StoryMaker：文生图中保持角色一致性
FireRedTeam 发布 StoryMaker，一个个性化文生图方案，在多角色场景中不仅保持人脸一致性，还保持服装、发型和身体的一致，可用一系列图像构建故事。模型权重于 2024/09/02 发布，随后放出技术报告和训练代码，权重可从 Huggingface 下载（RED-AIGC/StoryMaker），基于 SDXL pipeline，使用时需手动下载 buffalo_l 人脸编码器。
FireRedTeam：原创语音与多模态项目AI 评分5454 FireRedTeam 开源 Target-Driven Distillation 一致性蒸馏方法与模型权重
FireRedTeam 发布 Target-Driven Distillation（TDD），一种一致性蒸馏方法，可让扩散模型仅用 4-8 步生成高细节图像，论文被 AAAI25 接收。核心设计包括目标时间步选择、解耦引导，以及可选的非等距采样和 x0 clipping；项目开源了 SDXL、FLUX.1-dev 的 LoRA 权重和训练/推理代码，并提供了与 LCM、PCM、TCD 的对比示例。
Modal 官方工程博客AI 评分4848 在 Modal 上微调 Stable Diffusion 打造无限图标库
Modal 工程博客展示了如何用约 300 个 Heroicons SVG 图标微调 Stable Diffusion，生成 Heroicons 风格的黑白线条图标，例如 barack-obama、golden-retriever 等。
Hugging Face 社区博客精选AI 评分6262 Hugging Face 介绍用 Latent Consistency LoRAs 四步生成 SDXL 图像
Hugging Face 发布博客，介绍如何用 Latent Consistency LoRAs 将 SDXL 图像生成压缩到 4 步完成。
Hugging Face 社区博客AI 评分5757 Hugging Face 讲解如何在 iPhone、iPad 和 Mac 上用 Core ML 加速 Stable Diffusion
Hugging Face 发布博客，介绍如何在 iPhone、iPad 和 Mac 上使用 Core ML 加速运行 Stable Diffusion。正文抓取失败，仅标题可用，更多细节以原文链接为准：https://huggingface.co/blog/fast-diffusers-coreml
LlamaIndex：产品、工程与评测AI 评分5555 LlamaIndex 结合 Transformers Agents 打造 Text2Image 提示词助手工具
LlamaIndex 团队为 Transformers Agents 实现了一个 Text2Image Prompt Assistant 工具，通过索引 10K 条 DiffusionDB 提示词，让 LLM 参考示例改写提示词后再生成图像。
Hugging Face 社区博客精选AI 评分6565 Hugging Face 教程：用 AI 在 5 天内开发农场游戏（第一篇，美术风格）
Hugging Face 发布系列教程第一篇，讲解如何用 Stable Diffusion 为 Unity 农场游戏确定美术风格。文章涵盖用 Automatic1111 WebUI 本地部署或在线运行的方法、借助 lexica.art 优化提示词的技巧，以及用概念图指导 Unity 场景搭建、材质、灯光和后期处理的完整流程。
推荐理由：系列第一篇给出用 Stable Diffusion 生成美术概念图并落地到 Unity 场景的完整步骤，方法可直接迁移到游戏开发流程。