FLUX VTO 開放使用,支援大規模虛擬試穿
Black Forest Labs 已公開提供 FLUX VTO,這款虛擬試穿模型的生成時間少於 4 秒,適用於大規模商品目錄。它可為同一人物一次套用最多四件服裝,並保留人物身份及服裝上的標誌、印花、縫線和五金配件。身體及服裝尺碼的精確呈現仍在改進,輸出宜作視覺造型參考;預設政策不支援泳裝和內衣。
Black Forest Labs 已公開提供 FLUX VTO,這款虛擬試穿模型的生成時間少於 4 秒,適用於大規模商品目錄。它可為同一人物一次套用最多四件服裝,並保留人物身份及服裝上的標誌、印花、縫線和五金配件。身體及服裝尺碼的精確呈現仍在改進,輸出宜作視覺造型參考;預設政策不支援泳裝和內衣。
Goodfire Research 介紹其新論文提出的區塊稀疏特徵器(Block-Sparse Featurizers,BSF),以多維子空間刻畫視覺模型中的概念結構。
FLUX.2 [klein] 4B 將預載於新一代 ASUS ProArt 筆電的 MuseTree 應用程式,支援裝置端圖像生成。目標是在 8GB VRAM 筆電上,即使其他專業應用程式於背景運行,也能在少於 5 秒內生成圖像;使用時無需 API 或網絡連線。
Envato 以 FLUX 建立創意 AI 引擎,按創作任務將請求路由至合適模型,讓用戶透過統一體驗生成及編輯圖片。FLUX 至今已生成 51 million+ 張圖片,約佔平台圖片生成量 ~25%。FLUX.2 在寫實、電影感及產品圖片用途上的表現較可比模型高 ~10%,下載率較平台所有供應商的平均水平高 16%。
Black Forest Labs 的 FLUX 3 多模態基礎模型現已開放 Early Access,採用統一架構共同學習圖像、影片和音訊。它可按文字或圖像、影片參考生成內容,並生成最長 20 秒、帶音訊的影片;模型亦涵蓋動作預測。
Seedream 5.0 Pro 正式發布,作為多模態圖像創作模型,提升圖文匹配、結構合理性、文字渲染及畫面美感。其四項核心能力包括高密度資訊圖生成、交互式精準編輯、影像與人像質感提升,以及十餘種常用語言的原生輸入與生成。目前模型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
ChatGPT 正在把真實漫畫家的簽名加到偽造的《紐約客》漫畫中。
CDMD 提出無需訓練輔助 fake-score 網絡的無數據擴散蒸餾方法,並將樣本生成與速度估計統一於單一學生網絡。該方法只需一個凍結教師、一個可訓練學生及一個目標函數,在 ImageNet 256×256 上以 1 NFE 達到 2.04 FID,優於 DMD2 的 3.43 FID。以 4 NFEs 推理時,CDMD 達到 1.37 FID,接近教師的 1.35 FID。
Gemini Nano Banana 2.1 正式開放使用,是一款高效率圖像生成及對話式編輯模型。它維持 Flash 級速度及成本效益,並改善視覺品質、提示詞遵循度、多輪角色一致性和文字呈現;支援 1:4、4:1、1:8、8:1 比例生成,以及 1K、2K 和 4K 解析度。
MEND 提出一種以近端速度匹配為基礎的流模型強化學習方法,透過獎勵上限和位移成本篩選更新方向,不使用 KL 項、凍結參考模型或優勢權重。在 100 次更新後,MEND 在六項評估指標中的五項超越 Flow-GRPO,且與基礎模型圖像的距離相同;在相同預算下,它於四種訓練獎勵的每個評估更新點均勝過 ReFL 和 DiffusionNFT。
瑞典滾珠軸承製造商 SKF 使用 AI 生成已故女星葛麗泰·嘉寶的虛擬形象拍攝廣告,呼應她曾參與推介瑞典產業的短片。
研究提出一套讀取多模態擴散 Transformer(MM-DiTs)上下文 tokens 的方法,並以 Contextual Alignment 強化其中的視覺語義資訊,改善生成質素及分佈覆蓋。
研究提出 D-OPCD,將智能體執行框架的能力蒸餾至擴散模型權重,令模型只憑原始查詢亦能保留部分框架效益。配備 Auto Skill Evolver (ASE) 的文生圖智能體採用 D-OPCD 後,在四項基準測試的直接生成平均分由 60.52 提升至 65.09。第二輪 ASE 令更新後生成器的表現較不含技能的執行框架高 1.83 分。
Jagex 因 Dragon Slayer II 預告片引發生成式 AI 疑慮而將影片下架調查,並重申不以生成式 AI 製作遊戲、美術或創意素材。外部合作方曾明確承諾不使用 GenAI,但預告片出現六指畫面;Jagex 稱會在 RuneFest 後立即改革審核流程,並與社羣創作者合作呈現 Dragon Slayer II 的故事。
LiFT 是一系列迴圈式生成模型,透過重複套用共享的 Diffusion Transformer(DiT)核心擴展計算,並可在無需重新訓練或修改的情況下,超越訓練深度進行迴圈推理。在 ImageNet 256x256 測試中,LiFT-L/2 的 FID 比密集型 DiT-XL/2 基線低 3.34,參數量約少 60%,訓練 FLOPs 少 32%,推理 FLOPs 少 52%。
研究提出持續表徵學習,讓漂移模型直接從像素學習有效的判別性表徵,無需預訓練編碼器。在多個數據集上,該方法令原有像素空間漂移模型的 FID 降低約 82-95%。調整預訓練表徵及採用速度裁剪可進一步提升效果。
NAMVIS 提出一種不依賴擴散模型的框架,將多視角圖像合成重構為幾何條件化的下一尺度自回歸生成。在 Objaverse、GSO 和 OmniObject3D 上,NAMVIS 的 PSNR、SSIM 和 LPIPS 均勝過擴散基線;在相同評估設定下,速度達受評估擴散基線的 3 倍以上。
Black Forest Labs 發佈圖像生成模型 FLUX 3 Image,最高支援生成 4K 解像度圖片,並可用座標網格和邊界框精確安排畫面元素。模型單次最多可融入 10 張參考圖像並指定物件位置,也可修改指定區域而保持其他像素不變;官方稱其能在像素級別維持原圖內容,以支援精確多輪編輯。
消費者對 AI 內容的疲勞感已令人難以招架,討論主張本地商户重新考慮使用 AI。支持者認為,專業運用 AI 可製作媲美甚至勝過人工作品的內容,速度更快、成本更低。批評者稱,AI 產出有 99% 一眼可見地粗劣;他們所見的做法是未用過 AI 的人只輸入「a poster」,便採用首個結果。
Microsoft 宣佈推出自家研發的圖像生成模型 MAI-Image-1,該模型登上 LMArena 文生圖模型前十。
Microsoft AI 宣佈推出圖像生成模型 MAI-Image-2,並稱 MAI 模型系列在 Arena.ai 排行榜排名第 3。模型主打寫實圖像、圖中文字生成,以及豐富細節場景創作。
Microsoft AI 發佈 MAI-Transcribe-1、MAI-Voice-1 和 MAI-Image-2,三款模型現已可在 Microsoft Foundry 和 MAI Playground 使用。
Microsoft 發佈圖像生成模型 MAI-Image-2-Efficient,主打旗艦級品質及成本降低 41%,現已在 Microsoft Foundry 和 MAI Playground 3 提供。
Microsoft 發佈圖像模型 MAI-Image-2.5 和 MAI-Image-2.5-Flash;MAI-Image-2.5 在 Arena 圖像編輯排行榜排名第 2、文字轉圖像排名第 3,Arena 評分超過 GPT-Image-1.5 和 Nano Banana Pro 2K。
Microsoft AI 將 MAI-Image-2.5-Pro 與 MAI-Voice-2-Flash 開放公開預覽,分別面向高保真圖像生成與高速、大規模語音場景。
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。
Microsoft 宣佈 MAI-Image-2.6 在 Arena 文字生成圖像排行榜排名第二,較 MAI-Image-2.5 整體提升 79 Elo。其文字渲染提升 91 Elo,並在 Arena 每個測量類別均較 2.5 有改善。MAI-Image-2.6 現可在 Arena 試用,本週稍後將登上 MAI Playground,並即將推送至 Microsoft Foundry 等產品。
Microsoft 將 MAI-Image-2.6 帶入 Microsoft Foundry,並擴展系列推出 MAI-Image-2.6-Flash。兩款模型均支援多圖參考編輯、web grounding 和動態長寬比;MAI-Image-2.6-Flash 相較 GPT-Image-2-Medium 生成圖像快 2.8x、效率高 72%。
教宗良十四世在 X 發文,呼籲在 AI 時代保護人類藝術,並稱人類創作與機器生成作品在本體上存在差異。他認為機器根據數百萬張他人創作的圖像進行統計計算,算法缺乏人性的火花。他 5 月的通諭強調自動化日益普及時維護人類尊嚴的重要性;TechCrunch 援引《紐約時報》近期報道稱,Anthropic 曾遊説梵蒂岡重新考慮非人類意識立場,但似乎成效有限。
Black Forest Labs 發佈 Flux 3 Image,作為 Flux 3 模型家族的圖像版本,並稱其多步編輯不會改動圖像其他部分。模型支援文字生成圖像、圖生圖、文字渲染和寫實圖像生成,亦可用邊界框組合場景、加入最多 10 張參考圖,並輸出最高 4K 圖像。
DEPICT 提出免訓練評分指標,以圖像答案與僅根據描述文字得出的答案之預期一致性,取代固定參考答案,並按描述文字對問題的判定程度加權。此方法將否定句準確率由 19% 提升至 88%。在五個基準、三個模型系列的十一個骨幹模型上,DEPICT 超越所有免訓練指標,並在三個人類相關性基準中的兩個超越微調評估器。
研究提出一套結合偏好獎勵與評分規準獎勵的後訓練方法,用於開放領域文生圖模型,並以獎勵組合策略平衡偏好最佳化與規準滿足。在 Arena 文生圖排行榜上,經強化學習訓練的 Flux2dev 比基礎模型高 69 Elo 分,後訓練的 Ideogram-4 則以 1223.5 Elo 超越排行榜上的所有開源模型。研究亦釋出 Arena-T2I-Training,包含 1K 筆訓練資料子集。
TerraVis 提出一套評估文生圖生成影像世界一致性的框架,透過多階段流程辨識物件、互動及場景層面的違規情況。框架涵蓋 18 種違規類型,並將嚴重程度分為輕微或重大;在兩個常用基準上,TerraVis 與人類世界一致性評分的相關性高於現有指標。研究亦顯示,模型即使在傳統指標上表現出色,仍可能出現明顯的世界一致性問題。
OpenAI 全球推出 ChatGPT 虛擬試穿及商品收藏兩項購物功能,用户可上傳自拍、全身照或商品圖片,預覽衣物與配飾穿上身的效果。虛擬試穿入口會出現在購物結果中的 Try On 按鈕;Favorites 可把商品保存至應用程式 Library 以便稍後查看。OpenAI 表示,這些功能使用新推出的 ChatGPT Images 2.5。
Ideogram 現已推出 Ideogram 4.5 圖像模型,並稱模型只會編輯用户指定的圖像區域,保留其餘畫面不變。GPT-Image 2.5 和 Nano Banana 雖已改善局部編輯,但多次編輯時仍可能產生瑕疵。
Figma 展示以 Figma Weave 將虛構博物館 MOSF 的設計系統轉化為 Tomorrow Rehearsed 展覽宣傳素材的工作流程。設計師把 Figma Design 的版式、色彩和字體參考帶入 Weave,透過 Image Describer node 與 Gen Effect node 建立一致的宣傳視覺,再製作海報、廣告牌及社交媒體貼文。
Comfy 推出 Comfy Agent,現已向所有 Comfy Cloud 用戶開放,可在畫布上建立、執行及迭代工作流。它可規劃及評估技巧、修復錯誤和尋找素材,並支援最多 5 個並行對話。Comfy Agent 將於數週後加入 Comfy Desktop;目前仍處於 beta,可免費試用並使用現有 Comfy Credits。
論文提出 DMAD,以判別器分類方式進行分佈匹配蒸餾,直接學習對數密度比,省去輔助分數擬合。在 ImageNet-64x64 上,DMAD 一步生成的 FID 為 1.04;四步 SDXL 在 COCO-10K 的 FID 為 14.47,四步 Wan2.1-T2V-14B 的 VBench 總分為 85.15,均為文中比較的少步方法及多步教師模型中的最佳成績。
VIEScore2 是用於圖像生成與編輯任務的統一評估器,可選擇使用條件圖像;它以單一模型推理同步預測品質評分及缺陷位置。在主要測試套件中,VIEScore2 的整體評分 SRCC 為 0.601,高於 Gemini-3-Flash 的 0.491;缺陷定位則在六個基準中的三個勝過通用視覺語言模型及專用空間評估器,並在五個基準排名前三。
Runway 宣佈推出 Runway Ads,這款新產品可端到端處理付費廣告素材的生成、發布和優化。連接廣告帳戶和品牌套件後,Runway Ads 會生成影片及圖片廣告,把經批准的版本發布至 Meta、Google 和 TikTok,再根據平台成效生成下一輪;人手審批預設開啟,並支援素材本地化和尺寸調整。