跳到正文

#图像生成

今日 10 条
今天10月2日周五
  2. IT Home62

    Black Forest Labs 发布生图模型 FLUX 3 Image：支持 4K 生成与元素精准排布

    Black Forest Labs 于 10 月 2 日发布图像生成模型 FLUX 3 Image，支持最高 4K 分辨率生成。模型基于 FLUX 3 基座，可在 0–1000 坐标网格上为元素指定 ID、描述和边界框实现精准排布，单次最多融入 10 张参考图像，并支持保持其他像素不变的指定区域编辑。目前为付费服务，开放模型版本将在数周内公开。

  5. Hugging Face Daily Papers47

    AutoGUIWorld：用图像生成器作为 GUI 智能体的视觉世界模型

    AutoGUIWorld 是一个数据生成框架，结合图像生成器的视觉先验与规划器的任务知识，无需部署或运行软件环境即可合成 GUI 交互轨迹。它从操作系统上下文、视觉外观和界面状态的结构化规格中采样初始场景，生成 79,266 条覆盖 Ubuntu、Windows、macOS 和 Chrome 的空间标注步级训练样本。

  9. OpenRouter66

    OpenRouter 宣布 Black Forest Labs 的新旗舰图像模型 FLUX 3 Image 已上线，支持文生图与多参考图编辑，原生最高 4K 渲染。据原模型发布信息，FLUX 3 Image 支持精确多轮编辑、用边界框控制排版、最多 10 个参考图合成图像，商业权重已开放，开放权重版本将在未来几周推出。

    引用Black Forest Labs@bfl_ai

    Introducing FLUX 3 Image. Control every pixel. Make precise multi-turn edits without changing any other pixel. Lay out the image exactly how you want using bounding boxes. Generate in up to 4K to preserve details. Use up to 10 references to compose an image. Commercial Weights available for companies running image generation at scale. Open Weights version of FLUX 3 Image is launching in the coming weeks.

    推荐理由：原文给出 FLUX 3 Image 的多轮编辑、边界框布局和 4K 输出等具体能力，并说明已上线 OpenRouter。

  10. The Decoder60

    Ideogram 4.5 发布，主打局部编辑不动图像其余部分

    Ideogram 发布新模型 Ideogram 4.5，宣称编辑图像局部时保持其余部分不变，针对 GPT-Image 2.5 和 Nano Banana 仍易产生伪影的问题。模型提供四档质量，单张 0.8 到 22 美分，原生 2K 分辨率，已在 Ideogram 平台和 API 上线，合作方包括 Picsart、Runway、Pika 和 Leonardo AI，官方称开放权重版本即将发布。

10月1日周四
  1. ViggleAI44

    ✨ Viggle Turbo v0.3 来了！ 全新的 9-step 模式带来更干净的画面、更精细的细节，以及更好的小文字渲染。 现在在 ComfyUI 中更易使用——提供 LoRA 或单文件 int8/fp8/GGUF 模型。

    引用Yun Chen@t_mux

    Viggle Turbo v0.3 for Qwen-Image-2.1 is out! - Less grain than v0.2.1, a touch softer - New 9-step mode: finer detail, small text - ComfyUI: LoRA or single-file int8/fp8/GGUF Model: https://huggingface.co/Viggle/Qwen-Image-2.1-viggle-turbo

  4. Luma54

    Ideogram 4.5 现已登陆 Luma，为创意团队提供对图像修改内容与保留内容的更多控制，入口为 https://app.lumalabs.ai。被引用的 Ideogram 官方介绍称 4.5 消除了多轮编辑中的伪影累积、像素偏移和色彩变化，已在 Ideogram、API 和合作方上线，开放权重即将推出。

    引用Ideogram@ideogram_ai

    Introducing Ideogram 4.5, the most precise edit model. With each edit, leading models add artifacts, pixel shifts, and color changes. Ideogram 4.5 eliminates artifact buildup, making multi-turn editing possible. Live in Ideogram, the API, and launch partners. Open weights soon.

9月30日周三
  1. Tencent Hy26

    3 条赛道。3 位赢家。去创作吧。🥇

    引用GMI Cloud@gmi_cloud

    Hy Image 3.5 preview is FREE on GMI Cloud for 7 days Generate + edit images up to 2K. Bring up to 5 reference images. Build posters, product shots, game art, and more. And we’re turning the free week into a challenge: 3 tracks. 3 winners. $1,800 in cash + credits. Start creating free 👇

  2. Hugging Face Daily Papers35

    PEARL：基于推理与反思的个性化图像生成，提出首个用户历史个性化图像生成基准

    研究者提出首个基于用户历史的个性化图像生成统一基准，包含个性化场景生成与个性化创意生成两项任务，以及覆盖目标保真度、视觉质量、用户可区分性、语义对齐和任务效用的多轴评估协议。同时提出 PEARL，将多模态推理器与冻结的图像生成器耦合为交错的“推理-反思”循环，并用差分数据奖励优化，在两项任务上平均提升 15% 的个性化指标。

  4. Google Research44

    Google Research 提出 Diffusion Controller：统一并简化 AI 图像生成控制

    Google Research 提出 Diffusion Controller 框架，将扩散模型去噪过程重构为连续控制问题，用一个轻量"转向阻尼"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。

9月29日周二
9月28日周一
  2. Hugging Face Daily Papers42

    Tex-Zero：无需 3D 资产也能训练原生 3D 纹理生成模型

    研究团队提出 Tex-Zero，证明高保真原生 3D 纹理生成框架无需 3D 资产即可训练。该方法将高质量 2D 图像表示为 3D 空间中的平面，并通过分块随机旋转与聚合构造复杂几何结构，生成训练样本。基于这些数据训练的 Tex-Zero VAE 和 Tex-Zero DiT 在未见过真实 3D 资产的情况下，仍能生成细节精细的高保真 3D 纹理。

9月26日周六
9月25日周五
  1. Hugging Face Daily Papers35

    RWTD：用奖励加权传输蒸馏对齐一步生成模型

    研究提出奖励加权传输蒸馏（RWTD），一种仅需生成样本和标量奖励评估的一步生成模型后训练方法，通过混合当前与参考分布的自适应目标，经特征空间最优传输与不动点回归实现。该方法将一步 SANA Sprint 1.6B 的 GenEval 分数从 0.73 提升至 0.80，偏好对齐实验显示其具备跨奖励泛化能力，能兼顾改进与组合能力保留。

9月24日周四
9月23日周三
  3. ViggleAI46

    我们为开源社区推出了首个 Qwen-Image-2.1 turbo。 试试 Viggle-Turbo，一个经 DMD 蒸馏的 Qwen-Image-2.1，仅需 4 个采样步即可生成和编辑，无需 classifier-free guidance。 权重：https://huggingface.co/Viggle/Qwen-Image-2.1-viggle-turbo

    引用Hugging Apps@HuggingApps

    Qwen-Image-2.1 in 4 steps is here ⚡ @ViggleAI distilled Qwen-Image-2.1 into a 4-step turbo model, 6× faster, and holds up side by side with the full model ▶️ on Spaces https://hf.co/spaces/Viggle/Qwen-Image-2.1-viggle-turbo

  5. Tencent Hy60

    Hy Image3.5 preview 已可在 ComfyUI 中使用，人类评测胜率较 Hy Image3.0 提升 30%。单模型同时支持文生图和图生图，最高 2K 分辨率，可正确渲染多语言文字与符号，覆盖电影感、漫画、商业摄影和插画风格，身份与产品特征在场景、服装和风格切换中保持一致。

    引用ComfyUI@ComfyUI

    Hy Image3.5 preview is now available in ComfyUI. Professional-grade image generation, +30% win rate in human eval vs Hy Image3.0 → Text to image and Image to image in one model, up to 2K → Multilingual text, symbols, and small print that render correctly → Cinematic, comic, commercial photography, and illustration styles → Identity and product features that hold through scene, outfit, and style changes

  6. Qwen66

    千问（Qwen）宣布 Qwen-Image-2.1 在 Arena 的 Image Edit 和 Text-to-Image 两个榜单均排名第一的开源模型。@arena 引用称其 Image Edit Arena 得分 1367，总排名第 16，距第 15 名 GPT-Image-1.5-high-fidelity 仅差 3 分。

    引用Arena.ai@arena

    Qwen-Image-2.1 by @Alibaba_Qwen just landed as the #1 open source model in the Image Edit Arena and Text-to-Image Arena! With 1367 pts in the Image Edit Arena, Qwen-Image-2.1 took the #1 spot among open. It landed #16 overall, just 3 pts from GPT-Image-1.5-high-fidelity at #15. See the leaderboard for the Text-to-Image arena below. Congrats to the @Alibaba_Qwen team on this contribution to the open source ecosystem!

    推荐理由：官方确认 Qwen-Image-2.1 登顶两个图像 Arena 的开源榜首，榜单分数可用于同类模型的横向比较。

9月22日周二
9月21日周一
  1. Qwen47

    感谢 @sgl_project 的 day-0 支持！🙌 SGLang-Diffusion 现已支持 Qwen-Image-2.1：文生图、多图编辑，以及透明 RGBA 输出。快来试试！🎨

    引用SGLang@sgl_project

    Day-0 support for @Alibaba_Qwen’s Qwen-Image 2.1 is here in SGLang-Diffusion! 🖥️ Native precision on a single RTX 4090 24GB with CPU offload - 1024×1024 generation in 18.7s and image editing in 21.7s with 22.7 GiB peak GPU memory during requests. - On an RTX PRO 6000 96GB: 8.0s generation and 9.6s editing. 🎨 Text-to-image, multi-image editing, and transparent RGBA output—all with one checkpoint. ⚡ Native inference with TP/SP, LoRA, and OpenAI-compatible APIs. 40 denoising steps, one image per request, warmed HTTP latency including PNG output. No quantization. Cookbook and GPU-specific commands below 👇

9月19日周六