⌘ K
… 读取采集状态 同步中...
雷

图像生成

AI 画图的最前线：文生图模型迭代、图像编辑能力与创作工具生态的全部动态。

40条精选相关主题AI 视频多模态产品更新

最新精选

第 21–40 条 · 共 40 条
9月9日周三
  1. 卡尔的AI沃茨78

    GPT Image 2.5 上线，涂鸦、模板与标注精修降低生图提示语门槛

    OpenAI 悄然上线 GPT Image 2.5，主打生成更快、更高清、多轮编辑保持一致，并支持标注图片局部精确修改，另有涂鸦参考生成和 15 个模板功能（目前仅网页版 ChatGPT 可用）。

    推荐理由：作者用多组同提示语对比实测，说明一致性与清晰度提升如何替代繁琐的提示语约束写法。

  2. AI信息Gap80

    ChatGPT Images 2.5 上线：生成速度提升 4 倍，免费用户可用

    ChatGPT Images 2.5 模型正式上线，支持免费 ChatGPT 用户使用。与 GPT Images 2.0 相比，图片生成延迟最高降低 50%，合作方 Manus 实测速度提升 2 至 4 倍。新模型修复了多轮编辑人物变形问题，并新增 @Sketch 功能支持根据手绘草图生成图片，同时支持将生成提示词分享给他人复刻同款。

    推荐理由：ChatGPT Images 2.5 上线并开放免费用户使用，文中给出速度提升、多轮编辑和手绘草图生成三项具体改进。

9月7日周一
  1. 极客公园75

    童欣加入 Meshy：3D 世界终于等到自己的「互联网时刻」

    童欣正式加入胡渊鸣创办的 Meshy 出任首席科学家。Meshy 推出 Meshy 7 优化几何对齐，并展示实时互动世界架构 Mora。截至 2026 年，Meshy 拥有超 1200 万注册用户，完成近 4 亿美元 B 轮融资，估值 15 亿美元。

    推荐理由：文章通过童欣加入 Meshy 这一事件，梳理了生成式 3D 技术从工具到实时交互世界的演进逻辑。

9月5日周六
  1. 优设AIGC88

    GPT-6 Astra 全量推送，展示 UI 与 3D 建模等 9 个实操案例

    GPT-6 Astra 全量向 Plus 用户开放，支持通过 Codex 进行 3D 建模、UI 设计及系统排障。开发者演示了用单次提示词生成 3D 样机、在 Blender 中自动生成骨骼动画、操控 Canva 绘图等案例。官方指南提到 Astra 增强了前端视觉评判能力，能自行比对截图、推敲布局并修复色彩，甚至能通过浏览器排查并修复鼠标驱动错误。

    推荐理由：原文通过多个具体案例展示了 Astra 在 Blender、Canva 等软件中的自主操作能力，为读者提供了可参考的交互模式。

9月3日周四
  1. 歸藏的AI工具箱80

    开源用于将旅行照片转为设计海报的 Skill Yingzao · 营造

    歸藏的AI工具箱开源了名为 Yingzao · 营造（营造）的 Skill，能够将旅行照片转化为具备杂志排版和文化信息的海报。该 Skill 内置 Design Token 系统，包含多个经验证的风格配方，能够自动检索文化背景并遵循事实分级原则，同时支持多图融合。

    推荐理由：开源了基于 GPT-image 2.0 的海报生成 Skill，通过严格的程序约束与视觉配方解决多风格设计的一致性问题。

9月2日周三
  1. 人工智能学家82

    World Labs 发布新一代世界模型 Atlas

    World Labs 发布新一代世界模型 Atlas，该模型采用多模态自回归扩散 Transformer 架构，支持基于单张图像生成 1440p 视频及三维场景重建。Atlas 能够根据 1 至 25 张图像重建空间，支持点云及 3D 高斯泼溅输出，并利用摄像机几何参数实现精准的长视频控制与“子弹时间”模拟。

    推荐理由：World Labs 发布的 Atlas 模型通过统一架构将图像生成、三维重建与时空模拟融为一体，展示了空间智能在处理复杂场景时的可扩展性。

8月21日周五
  1. 智东西74

    商汤开源8B参数轻量多模态模型SenseNova U1.5 Lite，支持4K生图与超长指令遵循

    商汤科技开源轻量级原生统一多模态模型SenseNova U1.5 Lite正式版，8B参数量，原生支持3-4k字符超长指令遵循和4K分辨率输出。官方基准显示其在多项图像生成、文字渲染和图像编辑指标上优于Qwen-Image-2.0、Seedream-4.5，部分基准超过GPT-Image-1.5但距离GPT-Image-2仍有差距。

    推荐理由：模型用蒸馏方式把多专家能力压缩进8B体量，读者可看清轻量化与多模态一体如何在成本、延迟和细节把控上权衡。

8月20日周四
  1. 量子位76

    百度文心助手发布任务引擎2.0，高阶Agent能力免费开放

    百度在AI DAY上发布文心助手任务引擎2.0，实现高阶Agent能力完全免费开放。该引擎通过任务规划、智能路由和长上下文记忆机制，将复杂任务转化为可交互的成品交付，如图片转Excel、跨平台金融研报及3D太阳系模拟器。在PinchBench v2评测中，文心助手任务Agent取得94.6%综合成功率并位列榜首，同时百度搜索页也上线了GUI交互式答案组件，覆盖K9数理化高频考点。

    推荐理由：百度文心助手任务引擎2.0完全免费开放高阶Agent能力，实测展示了多图片转Excel、跨平台金融研报及3D太阳系模拟器生成等交付成果。

8月10日周一
  1. APPSO65

    xAI 发布 Imagine Image 2.0，支持分层精准编辑；OpenAI 新生图模型现身竞技场

    xAI 发布生图模型 Imagine Image 2.0，在文本转图像和图像编辑类别位列世界第二。该模型支持自动分层编辑，可精确选区修改并将主体导出为透明背景，最多支持 5 张输入图像融合拼接。

    推荐理由：原文展示了 Imagine Image 2.0 的分层编辑与多参考融合能力，并对比了 OpenAI 新测模型在真实感上的表现。

7月23日周四
  1. Hugging Face Blog80

    Diffusers 原生支持 Nunchaku 4-bit 扩散模型推理

    Diffusers 原生支持加载 Nunchaku Lite 4-bit 量化扩散模型，无需本地编译即可通过 from_pretrained 调用。在 RTX 5090 上，ERNIE-Image-Turbo 的生成耗时降至 1.7 秒，峰值显存占用从 24 GB 降至 12 GB。

    推荐理由：文章给出了 Nunchaku Lite 在 Diffusers 中的原生加载方法、基准测试数据及量化自定义模型的工具流程。

7月22日周三
  1. 数字生命卡兹克80

    腾讯设计Agent Miora 全量开放，整合Skill市场与分层记忆系统

    腾讯设计Agent平台 Miora 于 2026-07-22 全面开放，此前需邀请码和预约排队。该平台由 WorkBuddy 团队开发，支持品牌设计、影视创意、电商广告、互动游戏和网页应用五大场景，每个场景对应不同的快捷模板即垂直任务 Skill。

    推荐理由：腾讯设计Agent平台Miora全量开放，展示了基于Skill市场和分层记忆系统的设计工作流，为AI设计工具的生态演进提供了观察样本。

7月1日周三
  1. Google DeepMind77

    Google DeepMind 发布 Nano Banana 2 Lite 和 Gemini Omni Flash

    Google DeepMind 发布图像模型 Nano Banana 2 Lite 和视频模型 Gemini Omni Flash，两者均已在 Google AI Studio 和 Gemini API 上线。Nano Banana 2 Lite 生成一张 1K 图像耗时 4 秒、成本 $0.034，Gemini Omni Flash 视频生成成本 $0.10/秒，目前最长支持 10 秒视频。

    推荐理由：原文给出了 Nano Banana 2 Lite 和 Gemini Omni Flash 的延迟、成本及组合工作流细节，读者可据此判断多模态生成应用的性能与预算边界。

5月28日周四
  1. Google Gemini API Release Notes72

    Google 正式发布 Gemini 3.1 Flash 和 3 Pro 图像模型，支持视频转图片生成

    Google 发布 Gemini 3.1 Flash Image 和 Gemini 3 Pro Image 正式 GA 版本，并停止预览模型服务。新增视频转图片生成能力，支持通过视频文件或 YouTube 链接结合文本提示生成缩略图、海报或信息图，该功能仅限 gemini-3.1-flash-image 使用。

    推荐理由：提供视频转图片原生功能支持及正式版模型入口，便于快速集成生成高质量视觉资产。

3月20日周五
  1. The Batch75

    Apple 发布多模态统一分词器 AToken，统一处理图像、视频和 3D 对象

    Apple 团队开发了 AToken，一个能将图像、视频和 3D 对象映射到共享 token 空间的通用视觉分词器，兼顾生成与分类任务。该模型基于 SigLIP2 视觉编码器扩展，通过时空坐标和 4D 旋转位置编码统一处理不同维度的视觉输入。

    推荐理由：文章介绍了Apple提出的统一多模态tokenizer AToken，展示了共享编码器在图像、视频和3D任务上的通用性潜力。

2月26日周四
  1. Google Gemini API Release Notes64

    Google Gemini 发布 Nano Banana 2 和 Gemini 3.1 Flash Image，并公告 Gemini 3 Pro 将于3月9日停用

    Google Gemini API 上线 Nano Banana 2 和 Gemini 3.1 Flash Image Preview，该模型以速度和大规模场景优化为主。同时官方宣布 gemini-3-pro-preview 将于 2026 年 3 月 9 日停用。

    推荐理由：原文给出了新图像模型的定位和旧版Pro模型的停用时间表，便于开发者评估迁移节奏。

12月17日周三
  1. Mistral News80

    Mistral 发布 Mistral OCR 3 模型

    Mistral 正式发布 Mistral OCR 3，该模型在表单、手写及复杂表格识别上的整体胜率比上一代提升 74%，并支持输出含 HTML 表格重构的 Markdown 格式。

    推荐理由：原文提供了性能对比数据和定价细节，展示了该模型在企业文档处理场景中的成本优势。

  2. AISI Blog66

    AISI与Thorn发布AI生成儿童性虐待材料安全协议

    AISI与儿童安全组织Thorn发布新安全协议，指导AI开发者、模型托管平台等降低系统被用于生成AI生成儿童性虐待材料（CSAM）的风险。协议设定了安全设计原则和部署侧缓解措施，配合英国新立法允许授权机构在严格条件下测试AI模型的CSAM生成能力。AISI称将在政府支持下与行业、执法和安全组织协作设计测试条件与操作安全机制，并开展威胁建模和资助外部研究，强化从训练、分发到使用的全链条防护。

    推荐理由：协议给出了开发者和托管方在模型全生命周期中降低滥用风险的具体原则和步骤，并明确了立法后的测试边界。

8月19日周二
  1. Qwen Blog71

    Qwen-Image-Edit 图像编辑模型发布

    Qwen 发布图像编辑版模型 Qwen-Image-Edit，基于 20B 参数的 Qwen-Image 扩展并支持中英双语精确文字编辑。模型将输入图同时送入 Qwen2.5-VL 与 VAE 编码器，实现语义编辑与外观编辑双通道能力，并在公开基准上取得 SOTA。

    推荐理由：基于 20B 基座扩展的编辑模型，将文字渲染能力落地到图像编辑，给出多语言精确改字和语义一致性保持等特性与对比基准。

8月4日周一
  1. Qwen Blog80

    Qwen 发布原生文字渲染图像模型 Qwen-Image

    Qwen 正式发布 20B MMDiT 图像基础模型 Qwen-Image，实现复杂文字渲染与精准图像编辑的显著突破。该模型在 GenEval、GEdit 等基准测试中达到 SOTA 水平，并支持中英双语多行排版及复杂场景下的文字细节生成。

    推荐理由：官方详细列举了模型在中英复杂文字渲染与多任务编辑场景下的具体表现，为创作者判断其替代现有工作流的可行性提供了直接依据。

6月26日周四
  1. Qwen Blog68

    Qwen VLo 预览版发布：统一多模态理解与生成模型

    Qwen VLo 预览版发布，是一个统一的多模态理解与生成模型，用户可以通过 Qwen Chat 访问，直接输入文本生成图像或上传图片并下达指令编辑。模型采用从左到右、从上到下的渐进式生成机制，支持开放式指令编辑、风格迁移、多语言交互，并能在单条指令中完成多步任务如海报制作和物体合成。

    推荐理由：原文说明了统一模型从理解到生成的能力变化和交互入口，读者可以据此判断它会怎样改变多模态图像工作流。