蚂蚁 inclusionAI 发布 ConceptEdit：ConceptEdit-12M 数据集与 ConceptEdit-Bench 基准

蚂蚁 inclusionAI 在 GitHub 上线 ConceptEdit 项目，包含 ConceptEdit-12M 数据集与 ConceptEdit-Bench 基准。目前公开信息仅给出这两个名称，尚未披露模型规模、评测分数或使用方式等细节。

Midjourney 发布 V8.2 图像模型

Midjourney 推出 V8.2 图像模型，本次更新聚焦美学、图像质量与个性化。官方称图像将更具创意、大胆、精致、前卫和新颖，低质量图像的随机情况应会大幅减少。V8.2 的个性化档案拥有更大且更优的图像池，能更好理解用户个人品味，尤其适合在个人档案下积累了大量评分的用户。

Diffusers 原生集成 Nunchaku Lite 4-bit 扩散模型推理

Hugging Face 宣布 Diffusers 原生支持 Nunchaku Lite，可像普通模型一样用 from_pretrained() 加载 SVDQuant 4-bit (W4A4) 检查点，无需单独推理引擎或本地 CUDA 编译，内核经 kernels 包从 Hub 下载。

Midjourney 宣布首次收购 Co–Star

Midjourney 创始人 David Holz 宣布公司首次收购，对象是创始人 Banu 旗下的 Co–Star。Co–Star 将完全由 Banu 继续掌控和指导，她和团队加入 Midjourney 帮助围绕 Product 和 Design 建立更大的组织。

Google Research 揭示扩散模型的创造力从何而来

Google Research 在 ICLR 2026 论文《On the Interpolation Effect of Score Smoothing in Diffusion Models》中解释了扩散模型的创造力来源：神经网络训练中的正则化会让学到的 score function 被"平滑"，使去噪过程在训练数据点之间插值，从而生成新样本。

PRX Part 4：我们的数据策略

PRX 系列第 4 篇披露其数据策略：预训练数据由公开与内部数据集混合而成，用 VLM 重新生成图像长描述，再转为可流式读取的语料。团队改用 Qwen3-VL 在训练中实时计算文本 latent，实测吞吐仅损失约 3–4%（30 天训练多约 1 天），并采用 Lance 构建、MDS 流式的双格式流程，图像统一以 JPEG quality 92 编码。

Google DeepMind 发布 Nano Banana 2 Lite 并向开发者开放 Gemini Omni Flash

Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image），称其为 Nano Banana 家族中最快。

Midjourney V8.1 草稿模式支持随机风格

Midjourney 为 V8.1 草稿模式加入随机风格探索功能，在提示词中加入 --sref random 即可生成 24 张不同风格的图像。开启草稿模式可点击提示词栏的 ⚡ 图标，或在提示词中加入 --draft。

Midjourney V8.1 推出 Draft mode 并开放 --preview 新功能测试

Midjourney 为 V8.1 推出 Draft mode，每次生成 24 张低分辨率低质量图片，消耗的 fast hours 为 V8.1 SD 任务的一半，可对选中图片点击 Vary 以全质量全分辨率渲染，通过菜单栏 ⚡ 按钮开启。

Midjourney 将默认模型从 V7 切换为 V8.1

Midjourney 宣布经过测试和反馈后，默认模型已从 V7 更新为 V8.1。V8.1 更聪明、更连贯，更好地遵循详细提示词并渲染文字；开启 HD 模式后图像尺寸为 V7 的两倍、分辨率 4 倍，SD 模式 4 秒、HD 模式 12 秒出图。风格参考、个性化与美学在 V7 与 V8.1 间保持一致；V7 的 omni-reference 仍可使用，V8.0 alpha 将在两周后弃用。

Midjourney Web 端更新：对话模式与图像提示词改进

Midjourney 改进 Web 端对话模式，语音会话启动时可访问 Image Prompts、Style References、侧边栏设置和最近任务，Image Prompts 现可从托盘和侧边栏使用，托盘图片在语音提交间保留。

Saining Xie@sainingxieAI 评分4545

来看看 Jas 主导的 RAEv2。通过大量实验，我们发现了一些非常有趣的行为，说明为什么强大的表征编码器对像素解码器至关重要。 剧透：关键不在于爬 FID 的坡；像 ep@fid-k/fdr^k 这样的新指标表明，还有更多值得探索的空间！

蚂蚁 inclusionAI 开源 ARGenSeg：用自回归图像生成模型做图像分割

蚂蚁 inclusionAI 在 GitHub 发布 ARGenSeg，将自回归图像生成模型用于图像分割，论文已被 NeurIPS 2025 收录。该工作把分割任务建模为图像生成过程，具体参数规模与 benchmark 分数原文未披露。

上海人工智能实验室 InternLM 推出 ETCHR：面向 MLLM 的推理感知图像编辑器

上海人工智能实验室 InternLM 项目发布 ETCHR，一个以问题为条件、具备推理感知能力的图像编辑器，定位为多模态大语言模型（MLLM）的解耦式视觉推理助手。该工具通过解耦设计为 MLLM 提供独立的视觉推理支持。

Google Photos Auto frame 上线 3D 视角重排功能，可改变照片拍摄视角

Google 宣布其新方法已在 Google Photos 的 Auto frame 功能中上线，用 ML 模型估计 3D 点图和相机参数，再用生成式扩散模型补全新视角下原先未拍到的内容，实现拍摄后的视角重排。方法分 3D 场景与相机估计、生成式修补两阶段，可自动调整人像构图并校正广角前置镜头的透视畸变，对含人物的合格照片提供单次操作的备选 rendition。

OpenAI 开源 openai-imagegen-demo：基于 Image API 的 Next.js 照相亭应用

OpenAI 在 GitHub 新建仓库 openai-imagegen-demo，这是一个用 OpenAI Image API 构建的 Next.js 照相亭（Photobooth）应用。仓库以 demo 形式展示该 Image API 的实际调用方式，目前未披露更多功能细节。

美团 LongCat 开源 LongCat-Next 原生多模态模型

美团 LongCat 团队开源原生多模态模型 LongCat-Next，基于 LongCat-Flash-Lite MoE（A3B），在单一自回归框架内统一文本、视觉和音频处理，采用 DiNA 离散原生自回归范式，结合 SAE 与 RVQ 构建语义完整的离散视觉表示，并提出 dNaViT 视觉接口。

InternLM 发布 EndoCoT：在扩散模型中扩展内生 CoT 推理

上海人工智能实验室 InternLM 团队发布 EndoCoT 官方实现，用于在扩散模型中扩展内生链式推理（CoT），面向复杂结构化生成任务。该工作已被 ECCV 2026 收录，代码随论文一并开源。

FireRedTeam 开源 FireRed-Image-Edit 图像编辑基础模型

FireRedTeam 开源图像编辑基础模型 FireRed-Image-Edit，宣称达到开源 SOTA 水平。该模型具备精准指令跟随、高保真生成、优异的身份一致性和多元素无缝融合能力。

美团发布 LongCat-Image-Edit-Turbo 蒸馏版图像编辑模型

美团 LongCat 在 HuggingFace 发布 LongCat-Image-Edit-Turbo，是 LongCat-Image-Edit 的蒸馏版本，仅需 8 次 NFE 即可实现高质量图像编辑，推理延迟极低。

Qwen-Image-Layered：面向内在可编辑性的分层分解

QwenLM 推出 Qwen-Image-Layered，通过分层分解让图像具备内在可编辑性。该模型将图像拆解为多个图层，使各元素可独立编辑，而非在单一平面上修改。

OpenAI 发布 gpt-image-1.5 提示词指南，讲解生成与编辑的最佳实践

OpenAI 开发者 Cookbook 发布 gpt-image-1.5 图像模型提示词指南。该模型在写实度、准确性和可编辑性上较前代有明显提升，支持高质量渲染与低延迟场景。指南给出提示词结构、显式约束、迭代式小步修改等方法，并用信息图、照片级写实、UI 模型、Logo、风格迁移、虚拟试穿、多图合成、儿童绘本角色一致性等示例演示生成与编辑工作流。

美团 LongCat 发布图像编辑模型 LongCat-Image-Edit

美团 LongCat 发布图像编辑模型 LongCat-Image-Edit，为 Longcat-Image 的编辑版本，支持中英双语编辑。官方称其在开源图像编辑模型中达到 SOTA，支持全局编辑、局部编辑、文本修改和参考引导编辑，能保持未编辑区域的布局、纹理、色调和主体身份一致，适合多轮编辑。

美团 LongCat 发布开源双语图像生成模型 LongCat-Image

美团 LongCat 发布开源中英双语图像生成基础模型 LongCat-Image，仅 6B 参数，在多个基准上超越数倍于其规模的开源模型。

美团 LongCat 发布 13.6B 开源视频生成模型 LongCat-Video

美团 LongCat 团队发布 13.6B 参数的开源视频生成基础模型 LongCat-Video，统一支持文生视频、图生视频和视频续写三类任务。模型在 Video-Continuation 上预训练，可生成长达数分钟的视频而不出现色彩漂移或质量下降，并通过粗到细策略和 Block Sparse Attention 在数分钟内生成 720p、30fps 视频。

Sora、ImageGen 与 Codex：创意生产的下一波浪潮

Sora、ImageGen 与 Codex 被放在同一条多模态流水线中，串联视频、图像与代码生成工具，指向创意生产工作流。内容聚焦这些工具之间的衔接方式，而非单一模型的独立能力。

Sam Altman：Sora 即将加强版权方角色控制并尝试视频生成变现

Sam Altman 宣布 Sora 即将推出两项更新：一是给版权方更细粒度的角色生成控制，类似肖像的 opt-in 模式，并特别提到用户与日本内容的深度连接；二是因用户生成量超出预期，将尝试对视频生成收费，并与希望角色被生成的版权方分享部分收入。具体模式仍在试错，目标是先在 Sora 迭代，再在 OpenAI 各产品中统一应用。

FireRedTeam 发布 InstanceAssemble：基于实例组装注意力的布局感知图像生成

FireRedTeam 开源了论文《InstanceAssemble: Layout-Aware Image Generation via Instance Assembling Attention》的官方实现，该论文已被 NeurIPS 2025 收录。方法通过实例组装注意力机制实现布局感知的图像生成。

InternLM 发布 CapRL：用强化学习激发密集图像描述能力

上海人工智能实验室 InternLM 团队开源 CapRL 官方实现，通过强化学习提升模型的密集图像描述能力，论文已被 ICLR 2026 接收。

Qwen-Image 开源：支持复杂文字渲染与精确图像编辑的图像生成基础模型

QwenLM 发布 Qwen-Image，一个图像生成基础模型，主打复杂文字渲染和精确图像编辑能力，代码发布在 GitHub（https://github.com/QwenLM/Qwen-Image）。

OpenAI 演示如何用 4o 模型生成图像

OpenAI Developers 发布视频演示如何使用 4o 模型创建图像，内容围绕图像生成功能展开。

FireRedTeam 提出 CQ-DINO：用类别查询缓解梯度稀释的广词表目标检测方法

FireRedTeam 提出 CQ-DINO，通过类别查询缓解广词表目标检测中的梯度稀释问题。该方法针对词表规模庞大时检测性能下降的痛点，用类别查询机制改善梯度传播。

FireRedTeam 的 StoryMaker：实现文生图角色一致性

FireRedTeam 的 StoryMaker 项目致力于解决文生图生成中的角色一致性问题。该项目聚焦于让同一角色在不同场景与提示词下保持外观统一，属于原创语音与多模态方向的工作。

FireRedTeam 发布 PhotoPoster：姿态驱动的图像生成开源项目

FireRedTeam 推出开源项目 PhotoPoster，用于姿态驱动的图像生成，以支持并推进人像动画领域的研究。

FireRedTeam 提出 Target-Driven-Distillation：目标时间步选择与解耦引导的一致性蒸馏

FireRedTeam 开源 Target-Driven-Distillation 项目，用目标时间步选择与解耦引导改进一致性蒸馏。该方法面向扩散模型蒸馏场景，通过挑选目标时间步并解耦引导信号来提升生成一致性。项目已公开，具体效果与评测数据未在原文中给出。

Lilian Weng 长文综述扩散模型在视频生成中的应用

Lilian Weng 在 Lil'Log 发布长文，系统梳理扩散模型用于视频生成的方法。文章先讲从零训练的参数化、采样与 3D U-Net、DiT 架构（如 VDM、Imagen Video、Sora），再讲如何改造预训练图像模型生成视频（Make-A-Video、Video LDM、SVD、Lumiere），最后介绍 Text2Video-Zero、ControlVideo 等免训练适配方法。

Lilian Weng 详解扩散模型：从 DDPM 原理到 DDIM、LDM、DiT 的演进

Lilian Weng 在 Lil'Log 发表的长文系统讲解扩散模型：通过马尔可夫链逐步加噪再学习反向去噪来生成数据，涵盖 DDPM 的变分下界训练目标、与 NCSN 的联系、β 调度与方差参数化等核心内容。

目标检测 Part 4：快速检测模型（SSD、RetinaNet 与 YOLO 家族）

Lil'Log 目标检测系列第 4 篇聚焦快速检测模型，涵盖 SSD、RetinaNet 和 YOLO 家族，这些均属单阶段检测器，跳过区域候选步骤、直接在密集采样位置上做检测，速度更快但精度可能略有下降。

R-CNN 家族目标检测模型详解：R-CNN、Fast R-CNN、Faster R-CNN 与 Mask R-CNN

R-CNN 家族包含 R-CNN、Fast R-CNN、Faster R-CNN 和 Mask R-CNN 四个模型，前三个用于目标识别，Mask R-CNN 用于图像分割。R-CNN 先用 selective search 生成约 2k 个候选区域，再对每个区域独立提取 CNN 特征做分类，并用回归模型修正边界框。文章还介绍了非极大值抑制和难负样本挖掘等常用技巧。

面向初学者的目标检测（二）：CNN、DPM 与 Overfeat

"Object Detection for Dummies"系列第二部分梳理了图像分类的经典卷积网络架构，包括 AlexNet（5 个卷积层 + 2 个 MLP 层 + 1 个 LR 层）、19 层的 VGG 和 152 层的 ResNet，并介绍了残差块对深层网络可训练性的作用。