Microsoft 發佈七款 MAI 模型,涵蓋網絡安全、編碼、圖像、語音及決策
Microsoft 在 Ignite 2026 發佈七款新模型,涵蓋網絡安全、編碼、圖像生成、即時語音、轉錄及決策。
推薦理由:文章按網絡安全、日常企業編碼等場景列出基準表現及成本比較,呈現不同模型在任務表現與價格之間的取捨。
Microsoft 在 Ignite 2026 發佈七款新模型,涵蓋網絡安全、編碼、圖像生成、即時語音、轉錄及決策。
推薦理由:文章按網絡安全、日常企業編碼等場景列出基準表現及成本比較,呈現不同模型在任務表現與價格之間的取捨。
Google 發佈 Gemini 4 Hydrogen,將它定位為 Gemini 4 系列成本最低的模型,可供日常工作使用或配合 Carbon、Argon 執行多模型工作流程。
推薦理由:文章對照三款 Gemini 4 模型的定價變化與鵜鶘生成效果,並交代 Google 對 Argon 同價但每輪 token 用量較低的説明,呈現各模型定位差異。
MiniMax 本週開源圖像模型 H3 Image,支援原生最高 4K 輸出和最多 16 張參考圖;4K 文生圖 P50 耗時方面,極速版約 10.3 秒,標準版約 16 秒。文章實測其文字渲染、人像生成、圖像編輯和設計類任務,並介紹 H3 Image 沿用 H3-Base 架構,核心為 331 億參數的擴散 Transformer(DiT)。
推薦理由:文章以界面、文字、人像和圖像編輯等實測案例,呈現 H3 Image 在真實感、指令遵循與設計任務上的表現,並交代其模型架構及生成耗時。
OpenAI 發佈 ChatGPT Images 2.6,用戶可用提示詞或上傳圖片生成循環 GIF,並調整播放速度及單獨修改畫格。ChatGPT 和 Codex 所有訂閲級別今日可用;API 同步推出 GPT-Image-2.6 Flare 和 GPT-Image-2.6 Sunburst,定價與 Images 2.5 相同,均為每百萬輸出 token 30 美元。
最新進展11月5日 07:51OpenAI 推出 Images 2.6,圖片生成速度提升 50%
推薦理由:Images 2.5 尚需生成 36 張連續畫面並用 Codex 拼接,Images 2.6 則可直接生成 GIF,呈現動畫製作流程的變化。
Black Forest Labs 發佈 FLUX 3 Image Klein,這款 5.6B 參數開放權重模型支援文字生成圖像、圖像編輯及最多 10 張參考圖的多參考生成。
最新進展10月15日 23:29FLUX.3 Image Klein 登陸 Diffusers,提供兩款開放檢查點
推薦理由:FLUX 3 Image Klein的內部評測涵蓋生成、編輯及多參考任務,並列出參數規模與消費級GPU運行數據,可比較其評測表現和本地部署條件。
Google 發佈圖像生成與編輯模型 Nano Banana 2.1,取代 2026 年 2 月推出的 Nano Banana 2,並稱新版本在多方面均有改進。
推薦理由:文章並列 Nano Banana 2.1 的定價、基準測試與實際生成圖片比較,呈現其成本變化及相對 Nano Banana Pro 的畫質差異。
Meta 發佈 Muse Image,並預覽 Muse Video;兩者均為 Meta Superintelligence Labs 開發的媒體生成模型。Muse Image 可調用網絡搜尋和編碼工具、自我修訂,並支援精準編輯與多參考圖像構圖;Meta 稱增加推理時計算可提升生成質素。
推薦理由:文中比較 Muse Image 的推理時計算策略,指出把資源投入刻意推理比 Best-of-N 更能持續提升圖像品質,工具調用亦可補足單靠推理的不足。
Meta 於 2026年7月7日發佈 Muse Image,並以預覽形式公佈 Muse Video;Muse Image 已可在 Meta AI 應用程式及網頁版使用,Muse Video 則將於 Meta AI 等平台稍後提供。
推薦理由:文章列出 Muse Image 在三項 Arena 評測均排名第 2,以及 Muse Video 在影片生成評測排名第 3,並交代兩款模型目前的開放狀態。
Google DeepMind 推出 Nano Banana 2 Lite,並首次向開發者開放 Gemini Omni Flash。
推薦理由:兩款模型分別面向高速批量圖像生成與影片生成、對話式編輯,文中列出成本、延遲及 API 限制,可供評估多媒體工作流的取捨。
OpenAI 於 2026 年 4 月 21 日發佈圖像生成模型,ChatGPT 版本名為「ChatGPT Images 2.0」,開發者 API 版本名為「GPT Image 2」。
推薦理由:內容同時列出非拉丁文字及複雜版面的提升,並交代物理世界一致性與精確圖表仍是限制,呈現其能力範圍。
Google 於 2026 年 2 月 26 日發佈 Nano Banana 2(Gemini 3.1 Flash Image),結合 Nano Banana Pro 的部分能力與 Gemini 3.1 Flash 的速度。
推薦理由:Nano Banana 2 結合 Nano Banana Pro 的部分能力與 Gemini 3.1 Flash 的速度,並列出角色、物件一致性及畫面比例等具體生成控制項。
Google DeepMind 發佈圖像生成模型 Nano Banana 2(Gemini 3.1 Flash Image),以 Flash 速度帶來 Nano Banana Pro 的世界知識、品質與推理能力。
推薦理由:Nano Banana 2 將 Nano Banana Pro 的世界知識、視覺品質與創作控制帶到 Flash 速度,並交代其在 Google 產品中的推出範圍及 Nano Banana Pro 的保留使用方式,説明兩款模型面向的工作流程差異。
Google 於 2026年2月19日推出 Gemini 3.1 Pro 預覽版,強化推理能力,並大幅提升從文字提示詞直接生成 SVG 動畫的質素。在 ARC-AGI-2 基準上,Gemini 3.1 Pro 得分 77.1%,高於 Gemini 3 Pro(33.1)、Claude Opus 4.6(68.8)及 GPT-5.2(52.9)。
推薦理由:文章列出 Gemini 3.1 Pro 在 ARC-AGI-2 的 77.1% 評分,並對照 Gemini 3 Pro、Claude Opus 4.6 和 GPT-5.2 的成績,呈現各模型在該基準上的差異。
OpenAI 於 2025-12-16 發佈圖像生成模型及 API gpt-image-1.5,並在 ChatGPT 推出圖像生成與編輯專頁 ChatGPT Images。
推薦理由:文章同時整理圖像生成與編輯的提示詞要點,從指定構圖、區分修改與保留元素,到分步迭代,提供可直接參照的實作方法。
Google 於 2025年11月20日發佈以 Gemini 3 Pro 為基礎的圖像生成模型 Nano Banana Pro,作為 Nano Banana 的上位版本,面向更複雜、高品質的圖像創作。
推薦理由:文章對照 Nano Banana 與 Nano Banana Pro 的定位,並整理多項 Google 產品的推出安排及浮水印規則,呈現新模型的能力範圍與使用條件。
Google DeepMind 發佈 Nano Banana Pro(Gemini 3 Pro Image),並以付費預覽方式向開發者開放。模型具備更準確的文字渲染和圖像本地化能力,支援 2K 和 4k 解析度;啟用 Google Search grounding 時,亦可連接即時網頁內容。
推薦理由:文章把 Nano Banana Pro 的文字渲染、本地化能力與接入方式,連同相較 Gemini 2.5 Flash Image 的成本和延遲取捨一併交代。
Google DeepMind 發佈 Nano Banana Pro(Gemini 3 Pro Image),一款基於 Gemini 3 Pro 的圖像生成與編輯模型。
推薦理由:相較原版 Nano Banana 主打快速、有趣的編輯,Pro 面向複雜構圖,並提供多語圖中文字、最多 5 人形象一致性和 2K、4K 輸出,呈現兩者的能力定位差異。
Hugging Face 宣佈 Stable Diffusion 3 Medium(2B parameters)已在 Hugging Face Hub 上提供,並可透過 Diffusers 使用。
推薦理由:文章比較 offloading、移除 T5 與 8-bit T5 的顯存和耗時,並提供 torch.compile 加速與 LoRA 微調腳本,可作為 SD3 推理部署與微調的實作參考,並呈現節省顯存方案的耗時取捨。
rinna Co., Ltd. 發佈 Japanese Stable Diffusion,這款文本生成圖像模型以日語標註圖片微調 Stable Diffusion,支援日語提示詞並生成反映日語文化圈的圖像。
推薦理由:文章拆解 Japanese Stable Diffusion 的兩階段微調流程,説明專用日語文本編碼器與聯合調整潛在擴散模型的作用,訓練數據約為 Stable Diffusion 訓練集的 1/20。
OpenAI 訓練了名為 DALL·E 的神經網絡,可根據文字描述生成圖像,涵蓋自然語言能表達的多種概念。
推薦理由:材料指出 DALL·E 可按文字描述生成涵蓋多種自然語言概念的圖像,清楚交代了其輸入形式與生成範圍。