11 条精选近 30 天 6条共收录 56条
更新MosiAI 宣布开源发布 MOSS-Image。该模型基于 5B Diffusion Transformer（DiT）构建，支持中文和英文文本渲染、最长 4K token 的提示词，以及使用边界框进行实验性 JSON 布局控制。Hugging Face 上提供基础版和 SFT 检查点，同时开放模型权重和采用 Apache-2.0 许可的推理代码。vLLM 向团队表示祝贺，并宣布通过 vLLM-Omni 提供 Day-0 支持。
推荐理由：此次发布为如何将双语文本渲染与实验性边界框布局控制相结合提供了一个具体示例，可供需要明确指定文本和物体位置的图像生成工作流开发者参考。
Black Forest Labs 已发布 FLUX 3 Image Klein，这是一款拥有 56 亿参数的开放权重模型，可用于文生图、图像编辑以及使用最多十张参考图进行生成。它支持原生 4K 输出，其 INT8 版本可在配备 8 GB 显存的 NVIDIA GPU 上运行，在 RTX 4070 上生成一张图像不到 9 秒。年收入低于 500 万美元的公司可依据 FLUX Kommunity License 免费用于商业用途。
推荐理由：硬件要求和商业许可门槛为评估本地生成图像是否适合团队现有 GPU 配置及业务规模提供了具体依据。
Black Forest Labs 的 FLUX.3 Image Klein 发布首日即获得 Diffusers 支持，可用于文生图、多参考图图生图以及边界框布局控制。开放的检查点包括一个蒸馏模型（无需 CFG，使用 16 步）和一个基础模型（使用 CFG，运行 50 步）；在报告的基准测试中，蒸馏模型在 H100 上用 1.93 秒生成了一张 1024 × 1024 图像。Hugging Face 提供量化加载示例、LoRA 训练脚本，以及用于定制其 Modular Diffusers 流水线的工作流。
推荐理由：运行时测量数据和量化指南有助于开发者评估硬件需求，包括参考图像如何增加生成时间，以及何时降低精度可以减少内存占用而不提升速度。
谷歌发布了Nano Banana 2.1，这是一款升级版图像生成模型，支持4K输出、基于蒙版的编辑以及改进的主体一致性。据Arena称，它在文生图、多图编辑和单图编辑方面平均提升了约61.7分，谷歌将1K和2K图像的API价格减半，同时将4K价格下调约25%。该模型已在Gemini应用和Google AI Studio中上线，每天提供50个免费额度。
推荐理由：这篇文章汇总了Arena排名提升、API降价以及Nano Banana 2.1的早期用户测试，包括据报道的水印和重复编辑问题。
Qwen 发布 Qwen-Image-2.1-Turbo，基于 Qwen-Image-2.1 的同一 7B 视觉生成架构，仅需 8 个去噪步骤即可生成和编辑图像，权重已在 ModelScope 和 Hugging Face 开放。
推荐理由：Qwen 图像模型新增 Turbo 加速版本，8 步采样与开放权重给出了可直接接入的生成与编辑路径。
Black Forest Labs 发布 Flux 3 模型家族中的图像模型 Flux 3 Image，官方称其支持多步编辑且不改动画面其他部分，覆盖文生图、图生图、文字渲染和写实生成。
推荐理由：Flux 3 Image 把多步编辑与 4K 输出、参考图上限放在一起，可对照同期 Ideogram 4.5 看图像编辑模型的竞争节奏。
Hugging Face 发布 Workflow1111，用 Gradio Workflow 把 AUTOMATIC1111 的大部分功能重建为一张工作流画布。
推荐理由：原文展示了用 73 个节点重建 A1111 全部功能的具体做法，可据此判断节点式工作流与 ComfyUI 的差异。
OpenAI 发布 ChatGPT Images 2.5，可将想法、草图与参考照片转化为更个性化、更精致的图像，更贴近用户原本的构想。
推荐理由：OpenAI 官方发布 ChatGPT Images 2.5，读者可了解其在个性化图像生成上的定位与输入方式。
Hugging Face 在 Diffusers 中引入 Nunchaku Lite，可直接用 from_pretrained() 加载 Nunchaku 的 SVDQuant 4-bit 检查点，无需自定义 pipeline 或本地 CUDA 编译。
推荐理由：原文给出了 Nunchaku Lite 在 Diffusers 中的加载方式与显存、延迟对比数据，读者可据此判断消费级 GPU 跑扩散模型的实际门槛。
Google DeepMind 发布 Nano Banana 2 Lite 和 Gemini Omni Flash 两款模型，前者是 Nano Banana 系列中速度最快。
推荐理由：两款模型同时开放开发者入口，并给出延迟、单价与能力边界，便于判断图像到视频链路的成本与可用性。
Google Research 宣布在 Google Photos 的 Auto frame 功能中上线一种拍照后调整视角的方法，把照片理解为 3D 场景并自动改变虚拟相机位置与焦距。该方法分两步：先用内部 3D 点图估计模型重建人体与面部并估算原相机焦距，再用生成式潜在扩散模型补全新视角下露出的空白区域。该功能已面向含人物的照片自动提供第二个重构版本，可修正广角自拍的透视畸变。
推荐理由：Google Photos 把 3D 场景估计与生成式补全结合，读者可了解拍照后调整视角这一新编辑范式的实现路径。
