SliderEdit++:改善基於指令的圖像編輯滑桿軌跡
SliderEdit++ 透過軌跡正則化與解耦,改善基於指令的圖像編輯中滑桿控制的可靠性,令控制過程更平滑、快速。研究團隊推出 SlideBench,評估編輯進展的單調性、感知連續性及滑桿解耦;SliderEdit++ 在基準上的總分較最強基線高 18.5%。採用少步數編輯骨幹後,速度約為現有滑桿式方法的 3x 至 20x。
SliderEdit++ 透過軌跡正則化與解耦,改善基於指令的圖像編輯中滑桿控制的可靠性,令控制過程更平滑、快速。研究團隊推出 SlideBench,評估編輯進展的單調性、感知連續性及滑桿解耦;SliderEdit++ 在基準上的總分較最強基線高 18.5%。採用少步數編輯骨幹後,速度約為現有滑桿式方法的 3x 至 20x。
VascuSR 提出結合 3D 血管引導的迭代式解剖感知擴散框架,以提升 CT 超解析度重建的解剖準確度和血管連通性。在重新標註的 MSD Task08 和 HVM 數據集上,其分割及 3D 血管結構表現優於插值和學習式基線,影像質素則與超解析度骨幹相若。相較學習式基線,兩個數據集的類別平均連通分量數減少超過 20%,MSD 的平均中心線距離減少超過 10%。
Mia Goth 的代表稱,Instagram 上一個認證粉絲帳戶發布的 AI 生成影像迅速傳播,並批評平台放任影像擴散;他們已多次投訴要求移除該帳戶。該帳戶標示為粉絲營運,擁有超過一百萬名追蹤者,藍勾認證可能造成混淆。Meta 的規則不要求靜態 AI 生成圖片加上 AI 標籤;截至週二早上,該帳戶似乎已從 Instagram 消失。
澳洲 AFL 要求官方博彩合作夥伴 Sportsbet 停止未經球員同意,使用球員形象製作 AI 社交媒體內容,並刪除相關影片。這些影片讓 AFL 球員模仿電影、電視節目或演講內容;Sportsbet 在 Guardian Australia 聯絡後,於週二下午從 Instagram 移除影片。AFL 球員協會認為影片違反集體談判協議,但該協議沒有提及 AI。
Lumoo 以 Lovable 打造面向時尚及零售品牌的 AI 原生內容平台,整合虛擬試穿、B2B 銷售工具、本地化及自動品牌建模。平台完全建基於 Lovable,整合 30 個協同運作的 AI 模型,並可按地區需求替換模型。自 2025 年 2 月推出後,Lumoo 在 9 個月內達到 €700K ARR,並簽約 Gant 等 15+ 個品牌客戶。
Lovable 推出與 Notion、Linear、Confluence、Jira 和 n8n 的整合,並增加 Design view、主題、視覺編輯及 AI 圖像生成功能。n8n 連接 400+ 工具和服務;新設計功能正分階段推出,預計本週結束前向所有用戶開放。
Lovable 擴展應用程式建置能力,現可分析檔案及連接的應用程式資料,並生成可供編輯及下載的文件,以及可下載的圖像和影片。支援 PowerPoint、Word、PDF、CSV、Excel、JSON、XML、JPEG、PNG、GIF、WebP、文字檔及影片。其 AI 智能體可在安全環境中執行程式碼和小型腳本,用於數據分析、檔案處理及格式轉換。
一名網民向 Gemini 輸入含糊指令,系統把「只要文字」理解成木牌標語並生成圖片;他抱怨 AI 後反遭網民批評表達不清。文章建議以標點和結構區分情境、任務與格式,明確指定所需產出;結果不符預期時,應具體指出誤解並提出修正要求。
Sierra Ventures 宣佈投資 Thrixel,這款 AI 3D 模型生成工具可透過文字或圖片生成結構化、可編輯的 3D 素材。素材由具邏輯層級的獨立元件組成,可供 AI 智能體在 Unity、虛幻引擎、Three.js 和 Roblox 中識別、組裝及操控。
手機廠商持續重押影像,因影像既是進軍高端市場的差異化賣點,也是用戶最容易感知端側 AI 的場景。AI 影像正由自動優化走向依賴雲端算力的生成服務;小米18 Pro「傳奇一瞬」每次消耗100積分、每月送60次,並於2027年起改為付費積分制。
H-DDCM 以隱式隨機 Hadamard 字典及免查表字典序編碼,取代稠密 Gaussian 碼本,降低免訓練生成式圖像與影片壓縮的記憶體及計算開銷。快速 Walsh-Hadamard 轉換以 O(d log d) 計算量完成投影與重建,記憶體用量為 O(d)。該方法亦支援自回歸影片 flow 模型,可在單張 GPU 上進行長片段、接近即時的生成式影片壓縮。
PixText 將局部場景文字精修建模為像素空間分組圖像生成,依據原圖只生成目標區域,並保留未編輯內容。在 Text Refinement Bench 上,PixText 的字形通過率為 83.06%,目標字元 OCR 完全匹配準確率為 94.66%,高於最強基線的 36.77% 和 52.31%。四步 MeanFlow 版本維持 81.84% 通過率,每張圖像的攤銷生成成本低於 1 GPU 秒。
研究提出簡化匹配蒸餾(SMD),以簡單的在策略速度回歸作為少步擴散生成的基礎。SMD 加入僅用於訓練的 Pivot 殘差代理,並令學生模型遠離較弱的教師預測;整套方法不需線上分數估計或對抗訓練,部署時生成器維持不變。在 4-NFE 下,SMD 勝過強力少步基線,並在多項基準測試中超越多步教師,規模可達 33 billion parameters。
研究探討 Coding Agents 能以程式碼生成圖像到甚麼程度,並在涵蓋 200 個提示詞的 AgentDrawBench 上評估其零樣本繪圖能力。結果顯示,Agents 擅長保留結構及滿足精確的視覺約束,但感知豐富度有限;重建所得的視覺程式碼亦保留了大量可用於視覺問答的資訊,在部分領域的準確度高於原始圖像。研究還發現,Agents 在不同繪圖介面及視角下呈現一致的場景佈局。
作者從一段疑似由 AI 生成的無尾熊與貓互動影片出發,反思自己即使多年研究 AI 影像與影片,也已無法再完全相信眼前所見。研究顯示,截至 2025 年底,人們辨識 AI 生成圖片的準確率為 54%;文章並探討內容認證與監管的侷限,以及把判斷交給制度可能帶來的問題。
MachGen AI 聯合創辦人兼 CEO Kismat Singh 在訪談中表示,公司正為擴散模型建立專用推理及微調技術堆疊,以加速圖像與影片生成。MachGen 稱,使用原始、未蒸餾模型時,部分圖像模型延遲降低約 4–6x,若干影片模型約 6x;HiDream 用時 1 秒,Wan 2.2 用時 16.5 秒。圖像模型推理成本降低 2–4x,影片模型降低 2–3x。
Magnific 於 2026 年 10 月 8 日宣佈推出 Magnific One 圖像生成模型,稱模型會在生成圖像前先確定藝術方向。Brand Kit 可從網站、指引 PDF、圖片或文字描述提取團隊視覺識別,並在 Final 模式套用到生成圖像。
FOX Nation 將於 2026 年 10 月 14 日首播三集紀錄片系列《Houdini: Back from the Dead》,平台稱這是其首部完全依靠 AI 生成影像製作的多集長篇作品。演員演繹主要角色後,AI 技術將其外貌轉化為歷史人物;劇本全由人類撰寫,歷史主張均有檔案研究及專家審核支持。
地產代理可利用 AI 大幅修改樓盤圖片,掩蓋裂縫、移除車輛或改變房屋外觀,令買家到場後發現實況與照片不符,形成「housefishing」爭議。2025 年報告指,83% 地產代理認為佈置有助買家想像該房屋成為未來居所;AI 虛擬佈置可添置傢俱、整理房間及美化戶外空間。過度修飾樓盤圖片正削弱買家對地產代理及網上樓盤圖片的信任。
InterpTok 透過微調 MAETok,讓解碼器將圖像編碼混合解碼為自然圖像。它保留 MAETok 的重建品質,插值品質提升逾三倍;配對的 diffusion transformer 在無 guidance 下,生成 FID 由 11.61 降至 8.48,採用八分之一的採樣步數時更達 8.11。使用該 tokenizer 訓練的生成器,只需一半訓練步數便達到 MAETok 生成器的最終結果。
InfoVis 是一個統一的 9B 投影片生成與編輯模型,在 VisSlideBench 的 11 項指標均領先所有受測開源模型,總分為 7.94,Nano-Banana-2 則為 7.99。模型以 FLUX.2-klein-base-9B 為基礎,投影片專項後訓練令總分提升 1.6 分。團隊將發布模型、程式碼、數據及基準測試集。
AReA 提出無需訓練的自適應注意力機制,令擴散 Transformer 在高於訓練解像度生成圖像時,感受野按去噪進程由粗至細變化。實驗顯示,AReA 無需額外參數或訓練,在不同目標解像度及模型上均勝過現有最先進的免訓練基線方法,速度亦更快、效率更高。
千問 AI 平台已上線 Qwen-Image-2.1 Pro 和 Turbo API,開發者可將圖像生成與編輯能力接入應用,無需自行部署模型或管理推理環境。Qwen-Image-2.1 最多支援 10 張參考圖,並可透過圈選、塗抹和獨立掩碼指定編輯區域;Qwen-Image-2.1-Turbo 基於 7B 視覺生成架構,將去噪過程縮短至 8 步,並支援 2K 圖像生成與編輯。
Nikon 一項比賽出現涉及生成式 AI 的違規投稿,該投稿因違反比賽規則被取消資格。留言者爭論生成式 AI 作品是否必然低質,並指出違規與作品品質是兩回事;亦有人認為攝影作品應記錄真實時空。
字節 Seed 正式發佈多模態圖像創作模型 Seedream 5.0 Pro,提升圖文匹配、結構合理性、文字渲染及畫面美感。模型支援高密度資訊圖生成、互動式精準編輯、圖層拆分、多圖融合,以及十餘種常用語言的直接輸入與生成。目前已在火山方舟體驗中心上線,並將陸續在豆包、即夢上線;項目主頁:https://seed.bytedance.com/seedream5_0_pro
Alibaba 的 Qwen 團隊發佈 Qwen-Image-2.1-Turbo,沿用 7B 架構,將圖像生成及編輯的去噪步數由基礎模型預設的 40 步減至 8 步。它支援 2K 輸出及多參考圖編輯;Alibaba Cloud Model Studio 在大多數地區的 Turbo API 每張收費 CNY 0.1。權重採用研究授權,商業自託管須另行取得許可。
Nikon 取消清華大學 Ning Xu 博士在 Small World In Motion 顯微影像競賽中的得獎影片資格,稱影片製作中使用生成式 AI,違反賽事規則。Ning Xu 表示曾使用 AI,但認為自己符合規則並配合調查;Nikon 將檢視賽事規則及程序。
Recraft 的指南示範如何在 Recraft Studio 中,從一句構想逐步設計原創角色,最後製作角色主視覺圖。流程先以 Recraft V4.1 Flash 探索 12 種題材、六種角色類型和 12 種視覺風格,再逐步測試服裝、剪影、形狀語言、配色及渲染方式;文中稱五次 Flash 生成約 120 個草稿角色,耗用 10 credits。
Recraft Studio 示範以一張角色主圖製作多角度轉面表、表情表和姿勢表,讓後續生成維持角色外觀一致。流程先用 Recraft V4.1 Pro 生成主圖,再以 Nano Banana 2.1 將主圖作為參考生成三類圖表,最後加入色板和易出錯細節備註並匯出。
Recraft Studio 的教學示範如何以一張角色主圖生成 3D 收藏玩具、動漫主視覺和像素角色,並保留角色辨識特徵。流程使用 Nano Banana 2.1 的 Edit image,每張圖 7 credits;提示詞應固定角色輪廓、配色、標誌物件和陪伴物,容許線條、光影及質感隨風格變化。
Recraft Studio 指南示範如何從角色圖建立自訂風格,再設計場景並將角色放入其中,為角色打造風格一致的世界。流程以 Recraft V4.1 Pro 生成環境,再用 Nano Banana 2.1 配合環境圖和角色圖作雙參考;文章亦建議固定角色細節,並以重複道具、配色和光線維持不同場景的一致性。
Recraft 的指南示範如何使用 Recraft V4.1 Vector,將角色配角設計成向量吉祥物並製作表情貼紙組。指南建議在單張 16:9 圖片中生成整組姿勢,並具體描述眼睛、圓環和天線的形狀與動作,以保持造型一致。輸出為 SVG 後可拆成獨立貼紙,並在 16、32 像素等實際尺寸檢查辨識度。
Recraft 的指南示範如何在 Recraft Studio 以自創角色製作四格漫畫,涵蓋編寫劇本、製作分鏡、逐格生成畫面和對白排版。指南建議先用 V4.1 Flash 製作分鏡,再以環境圖和角色圖作參考,使用 Nano Banana 2.1 逐格生成正式畫面。對白應以文字工具加入,因為圖像模型生成的文字經常有拼寫錯誤。
Recraft 的教學介紹如何在 Recraft Studio 以原圖生成 AI 圖像,流程分為上傳、描述變更、控制與原圖的差異及匯出四步。文章將任務分為編輯、重設風格和變體,並説明提示詞與相似度設定如何影響原圖保留程度。API 以 0 至 1 的 strength 值控制變化幅度;免費方案每日最多提供 30 次生成。
SpaceFlow 提出免訓練流程,以文字描述和幾何圖元生成 3D 內容,並可為各區域設定局部控制程度,選擇嚴格遵循輸入形狀或容許生成補全。外觀合成時,各部分只根據指定的文字或圖像線索生成;固定幾何評估中,文字條件路由的提示詞吻合度及顏色/材質準確度達到當前最先進水平。
豆包工作在任務模式新增畫布功能,支援無限畫布及 Seedream 5.0 Flash 圖片模型,用戶可查看、比較和整理素材,並逐步編輯文字、配色與佈局。豆包 2.1 Lite 已上線豆包工作,主打更省額度、更快交付,適用於文件撰寫、表格處理及 PPT 製作等場景。
FreeMatching 是一個通用框架,結合生成式與語義基礎表徵,以及來自傳統數據集、追蹤影片和合成場景的異質監督,旨在應對影像編輯與參考引導生成中的密集對應匹配。實驗顯示,單一 FreeMatching 模型提升了具挑戰性的影像對之對應品質,同時在傳統基準測試中保持競爭力。它亦可作為量化身份保留程度的指標,評分與人類判斷相關。
研究提出 Spatial Canvas Interface,讓用戶在空間畫布上編排海報生成意圖,並據此開發模型 Compo。介面提供語義、身份、文字及像素四種綁定方式,並以 Text Specifications 描述個別元素與整體外觀。評測顯示,Compo 的構圖可控性強於通用圖像生成模型及專用海報生成系統,同時維持高視覺質素。
VibeEdit 提出以畫布指令編輯圖像的介面,用戶可直接在圖像上標記編輯位置及修改內容,無須另寫文字提示詞。在 419 個案例的基準測試中,VibeEdit 的 VLM 評分為 79.9、區域外 PSNR 為 32.8 dB,高於文字指令基線 FireRed 的 67.4 及 24.0 dB。
研究團隊提出 RISEBench++ 視覺編輯評測基準,並提出免訓練的 RISE-Agent 框架。基準涵蓋 6 個推理維度、12 個子類別、65 種任務及 1,000 個人工標註測試案例,支援英文和中文。評估 58 種方法後,表現最佳的 GPT-Image-2.5 Sunburst 準確率為 56.6%。