研究论文、技术报告、基准与数据集
Artificial Analysis 使用四款模型连续进行 30 次房产布置编辑测试：GPT Image 2.5 Sunburst、Ideogram 4.5、FLUX 3 和 Nano Banana 2.1。结果发现，Ideogram 4.5 保留了房间的大部分原貌，而其他模型都出现了偏移。其排行榜衡量的是单次编辑表现，而这项测试则让每个模型都以自己的上一次输出为基础继续编辑。在小幅编辑中，Ideogram 4.5 和 FLUX 3 基本保持了至少 95% 的图像不变；GPT Image 2.5 Sunburst 保持不变的部分约占五分之一，偏移也最明显；Nano Banana 2.1 虽然只编辑局部，但图像逐渐变暗。
Google Research 提出 Diffusion Controller 框架，把扩散模型的去噪过程重构为连续控制问题，用一个轻量"转向阻尼器"网络在冻结基座模型的前提下动态调整生成轨迹。在 Stable Diffusion v1.4 上以 HPS-v2 评测，其完全解锁版本对基线模型取得 90% 胜率，并支持在无法访问内部权重的闭源模型上实现定制控制。
Google Research 在 ICLR 2026 论文中揭示，扩散模型的创造力源于神经网络训练中的 score smoothing——正则化使学到的 score function 变平滑，让去噪过程在训练数据点之间插值，从而生成新样本。
伯克利 AI 研究团队提出一套基于互信息的成像系统评估与优化框架，可直接从含噪测量中估计信息量，预测系统性能。该方法在彩色摄影、射电天文、无透镜成像和显微镜四个领域验证有效，优化后的设计达到端到端方法水平，且内存和算力需求更低，无需任务专用解码器。相关论文发表于 NeurIPS 2025。
