DC-SAE：加速扩散模型收敛的深度压缩语义自编码器

研究者提出 DC-SAE 解耦紧凑语义自编码器，通过语义编码器实现高压缩比、像素级编码器保留细节，兼顾高保真重建与快速扩散训练收敛。在 ImageNet 512×512 上实现 32 倍空间压缩，PSNR 29.79、gFID 3.37，较此前 SOTA 高压缩 tokenizer DC-AE 分别提升 13.5% 和 54.9%。

华为 Mate 90 系列首发 XMAGE「华为睿影」影像体系，全系配连续可变光圈

华为 Mate 90 系列首发搭载全新升级的 XMAGE「华为睿影」影像体系，全系配备 F1.4-F4.0 无级调节连续可变光圈，并搭载第三代红枫原色摄像头、超大底 2 亿像素长焦和 18EV 超高动态主摄。Mate 90 Pro Max 依托第十代 ISP 与 CIPA7.5 长焦防抖，20x 长焦人像视频清晰度提升 34%、防抖能力提升 41%；XMAGE 智拍新增 AI 姿势推荐功能。

华为 Mate90 系列升级鸿蒙 AI：小艺帮记、图库助手一句话成片

华为在 Mate90 系列及全场景新品发布会上围绕智能助手、智能影像和智感交互深化鸿蒙 AI 体验。小艺帮记支持滑动保存页面内容并直接提问，AI 自动提取关键信息、检索总结；小艺图库助手实现一句话成片，支持图片动态变换、电影运镜与素材智能编排。隔空手势可抓取图片跨设备直传，并支持阅后即焚式单次查看隐私模式。

IDSpect：用 IDS 分解与细粒度奖励提升中文文本渲染精度

针对 OCR 奖励把汉字当作原子字符、忽略部件与空间结构的问题，研究者提出 IDSpect：用表意文字描述序列（IDS）将目标文本确定性分解为 IDS token，并训练专家 IDS 识别器对齐裁剪级视觉预测，配合整字语义奖励提供部件与空间关系的细粒度反馈。

苹果 Invites App 升级 1.12.0：支持全分辨率照片共享、图乐园扩展与免验证码邮箱验证

苹果 Invites App 更新至 1.12.0，共享相册现支持全分辨率照片共享，任何收到链接的人（含非 Apple 设备用户）均可加入并上传照片。新版扩展图乐园（Image Playground）功能，新增照片级逼真背景生成能力，并简化邮箱验证流程，宾客点击收件箱链接即可加入活动，无需输入验证码。

产品图背景移除预设：2026 年的治理与例外处理

产品图背景移除应采用命名、带版本的转换预设来保证可复现，仅对无复用价值的孤立图片走直接处理。预设作为可审计、可下线的策略，需将源图、衍生输出与异步任务状态分开存储，并记录归属与生命周期。直接处理须限制可改参数、绑定源资产 ID 与请求方，并保留幂等键与人工复核，避免一次性例外变成未受控的策略分支。

Arena.ai@arenaAI 评分4747

Hidream-O1-Video-1.0 由 @HiDream_AI 刚刚登陆 Image-to-Video Arena，以 1456 分位列第 7！ 该模型已在 @vivago_ai 上线，距 gemini-omni-flash 仅差 8 分，距 dreamina-seedance-2.0 和 2.5 均在 20 分以内。 恭喜 @HiDream_AI 发布！

Photo Scrubber：本地人脸模糊与元数据清除工具

Simon Willison 用 GPT-6 Astra 构建了实验性工具 Photo Scrubber，可自动识别人脸并模糊处理。该工具基于 Google 的 MediaPipe C++ 库，通过 @mediapipe/tasks-vision 编译为 WebAssembly，并使用 BlazeFace 人脸检测模型，全部在本地运行。

Tibo@thsottiauxAI 评分2424

我让我的 dot 给我画张像。它先发来一张卡通风格的，我让它再努力点，去网上找我最近的照片。它画得好多了。 下面的视频是我在点看我的 dot 的电脑。

Luma@LumaLabsAIAI 评分5050

Luma AI 宣布 Ideogram 4.5 已接入 Luma，供创意团队使用。该编辑模型据称能消除多轮编辑中的伪影累积和像素色彩偏移，可通过 https://app.lumalabs.ai 体验。

Nikon Small World in Motion 获奖显微视频因使用 AI 引发生物学准确性争议

Ning Xu 凭借展示肺部纤毛运动的视频获得 Nikon Small World in Motion 比赛冠军，多位显微专家质疑视频中紫色、蓝色结构在生物学上不合理，可能由 AI 工具幻觉产生。

图像质量评测：内容感知裁剪与居中裁剪的三种配方场景对比

针对菜谱站点头像与菜品卡片，内容感知裁剪应作为默认方案，它能保留居中裁剪经常切掉的主体，但需存储裁剪框并提供人工调整路径。居中裁剪仅适用于拍摄时强制居中构图的流程，其确定性几何在异构上传中会稳定地切掉偏离中心的人脸或餐盘。Cloudinary、Imgix、ImageKit 等托管方案在运营边界上各有取舍，智能裁剪输出仍需审核与覆盖。

🚨 AI News | TestingCatalog@testingcatalogAI 评分5454

Ideogram 发布主打精准编辑的 Ideogram 4.5 图像模型，已在 Ideogram 平台、API 和合作服务可用，团队还计划 soon 发布开放权重。原生 2K 分辨率下价格为每张图 0.8 到 22 美分。

Krea@krea_aiAI 评分3535

Ideogram 4.5 现已登陆 Krea。 反复编辑通常会导致伪影、像素偏移和色彩漂移——这个模型正是为解决可重复编辑而打造。 在下方试试 👇

Arena.ai@arenaAI 评分5959

Ideogram 4.5 进入 Image Edit Arena 前 20，总分 1351 分，排名第 18。

xAI 为 Grok Imagine API 推出 Quality Mode，提升图像生成真实感与文字渲染

xAI 在 Grok Imagine API 上线 Quality Mode，面向企业开发者和团队提供图像生成与编辑能力，主打更高真实感、更强文字渲染和更好的创作控制。该模式适用于产品可视化、营销素材、UGC 风格内容等场景，并可结合视频生成能力制作社交媒体视频、产品展示和广告素材。

xAI 为 Imagine Video 1.5 增加图像与语音参考，支持文本生成视频和原生 1080p

xAI 为 Imagine Video 1.5 增加图像与语音参考、纯提示词生成视频和原生 1080p 输出。

xAI 发布 Imagine Image 2.0，上线 grok.com 和移动端 Quality Mode

xAI 宣布 Imagine Image 2.0 正式可用，作为新 Quality Mode 上线 grok.com/imagine 及 iOS 和 Android 应用，API 型号为 grok-imagine-image-2.0。

Suno 启动 Summer of Suno：2024 年向创作者发放 100 万美元奖金

Suno 宣布 2024 年全年向平台创作者发放总额 100 万美元奖金，首期 Summer of Suno Vol. 1 于 6 月 1 日启动，向 6 月最热门的 500 首公开歌曲创作者发放 10 万美元，第一名奖金 1 万美元。歌曲排名由播放、点赞和分享综合决定，所有公开歌曲自动参赛，每位创作者限一首，奖金通过 PayPal 在活动结束后 30 天内发放。

Suno 与 Warner Music Group 达成合作，将用授权音乐训练新一代模型

Suno 宣布与 Warner Music Group（WMG）达成合作，将基于高质量授权音乐构建超越 v5 的新一代模型，并推出由 WMG 艺人自愿授权的互动创作体验，参与艺人可获得补偿。产品方面，下载功能保留但需付费账号并按档位限制每月下载次数，Suno Studio 维持不变且保留无限下载。

Suno 发布 v5.5，推出 Voices、Custom models 和 My Taste

Suno 发布 v5.5 模型，同时推出 Voices、Custom models 和 My Taste 三项个性化功能。

Dream Relic 如何用 Suno 为超现实视觉世界赋予声音

AI 视觉艺术家 Dream Relic（Broc Vaughn）借助 Suno 的 Create 功能，把积压多年的歌词变成歌曲，用于 TikTok、Hooks、Spotify 及一张即将发行的全长专辑。一条深夜发布的视频引来数百条求歌名评论，让他重新重视音乐创作。他认为提示词与反复打磨等创作方向仍然关键，目标是让人感受作品而非关注工具。

Sakana AI 的 Percept-Lens：AI 生成图像检测的深度解析

Sakana AI 提出 Percept-Lens，通过冻结通用视觉模型并拟合简单高斯决策规则来检测 AI 生成图像，在 ECCV2026 论文中该方法在广泛评测套件上超越了所测试的最强已发布 AI 生成图像检测器。研究还表明，检测器在生成器、提示词、风格或图像域变化时性能会急剧下降，而进步也可来自更好利用通用视觉模型中已有的真实与生成结构。

SGLang-Diffusion 发布两个月：速度较初版提升至 2.5 倍，新增 ComfyUI 集成与 LoRA 支持

LMSYS Chatbot Arena 团队复盘 SGLang-Diffusion 自 2025 年 11 月初发布两个月来的进展，当前版本（docker tag: lmsysorg/sglang:dev-pr-17247）比初版快最多 2.5 倍，在 NVIDIA GPU 上较其他方案最高快 5x。

SGL-Diffusion 中 AR+DiT 全栈性能优化：用 SRT 替换 HF 后端并解耦 AR 与 DiT 并行策略

SGL-Diffusion 团队用 SRT 替换 HF 后端，将 AR 阶段从扩散 worker 中解耦为独立服务，使 AR 可单独配置 TP、DiT 保留 SP。

CMU 在 NeurIPS 2025 展示 156 篇论文

卡内基梅隆大学（CMU）研究者在 12 月 2 日至 7 日于圣迭戈举行的第 39 届 NeurIPS 2025 上展示 156 篇论文。口头报告包括提出 Encoder–Attender–Decoder 框架研究触觉处理的 ConvRNN、缓解标签平滑表征坍缩的 MaxSup，以及单步生成模型 MeanFlow（ImageNet 256×256 单次函数评估 FID 3.43）。

Baseten 图像生成推理服务：支持 FLUX.1 dev 与 SDXL Lightning

Baseten 推出面向图像生成模型的推理服务，支持部署 FLUX.1 dev、SDXL Lightning 等开源模型及用户微调、自定义模型，兼容 ComfyUI 等框架。SDXL Lightning 可在 4 个 UNet 步内生成 1024x1024 图像，接近实时出图。平台提供弹性自动扩缩容、冷启动优化，并支持 SOC 2 Type II、HIPAA、GDPR 合规部署。

Black Forest Labs 发布 FLUX VTO 目录级规模虚拟试穿模型

Black Forest Labs 发布 FLUX VTO 虚拟试穿模型，现已公开可用，并加入 FLUX MCP。单次生成低于 4 秒，可自托管实现亚秒级响应，最多可给同一模特叠加 4 件服装，并保留人物身份与服装的 logo、印花、缝线和配件细节。默认审核政策下不支持泳装和内衣，官方提示精确的身材与服装尺码功能仍在演进，输出适合作为视觉搭配参考。

Martin Scorsese 出任 Black Forest Labs 顾问，用 FLUX 做电影分镜

Martin Scorsese 成为 Black Forest Labs 顾问，并已用 FLUX 进行电影分镜创作。他表示该工具能更清晰高效地把脑海中的画面分享给美术指导、艺术设计和摄影指导，在前期制作中加快进度而不牺牲质量与工艺。Black Forest Labs 称其视觉智能模型可同时服务叙事者、建筑师、设计师与工程师，并预告将推出新的 FLUX 模型。

Black Forest Labs 与 ASUS 合作，FLUX.2 [klein] 4B 预装到 ProArt 笔记本实现端侧图像生成

Black Forest Labs 宣布 FLUX.2 [klein] 4B 将预装在 ASUS 下一代 ProArt RTX 笔记本的 MuseTree 应用中，该产品线在台北 Computex 2026 上亮相。

Envato 如何基于 FLUX 打造创意 AI 引擎

Envato 与 Black Forest Labs 合作，将 FLUX 模型接入其创意平台，FLUX 已占平台图片生成总量的约 25%，累计生成超 5100 万张图片。FLUX.2 发布当天即上线生产环境，其在写实、电影感和产品图场景中比同类模型高出约 10%，下载率高出平台均值 16%。平台按任务智能路由请求，其中素材变体生成可在 8 秒内输出 5 张图片。

World Labs 推出 Marble 3D 世界生成模型有限预览，支持浏览器内探索与导出

World Labs 发布空间智能模型更新，并推出有限访问的 Marble 测试预览，用户可在 marble.worldlabs.ai 用图像或文本提示生成可自由导航的 3D 世界。

SDXL Lightning：4 步生成 1024x1024 图像的 Stable Diffusion XL 变体

SDXL Lightning 是 Stable Diffusion XL 的变体，仅需 4 个 UNet 步骤即可生成 1024x1024 像素图像，实现接近实时的图像生成。模型接收单个 prompt 输入，返回图像的 base64 字符串，该实现采用 4 步 UNet checkpoint 以平衡速度与质量。用户可自行部署 2 步版本以获得更快速度，或 8 步版本以获得更高质量。

Qwen Image 2512 图像生成模型上线 Baseten

Qwen Image 2512 已在 Baseten 平台上线，可通过 OpenAI 兼容 API 调用，模型名为 qwen-image-2512。该模型支持 1024x1024 尺寸图像生成，可配置 num_inference_steps 与 guidance_scale 参数，并返回 b64_json 格式结果。

Flux.2 [dev] 图像生成模型上线 Baseten

Baseten Base Labs 上线图像生成模型 Flux.2 [dev]，模型名为 flux2-dev，可通过 OpenAI 兼容 API 调用。示例代码以 1024x1024 尺寸、50 步推理、guidance_scale 1.0 生成图像，并以 b64_json 格式返回结果。

Qwen Image 在 Baseten 上的调用示例

Baseten Base Labs 发布 Qwen Image 的 Python 调用示例，通过 httpx 向 Baseten 部署端点发送 prompt、width、height、num_inference_steps 和 seed 等参数生成图像。

Eugene Yan 图解文生图：扩散模型、文本条件、引导与潜空间

Eugene Yan 系统梳理文生图的四个核心概念：扩散、文本条件、分类器引导与潜空间。作者亲手复现 DDPM 发现去噪权重低至 0.01-0.02、加噪权重最高 0.14。

自编码器与扩散模型：简要对比

自编码器与扩散模型在学习范式上相似：都以数据为输入并重建输出，都在过程中学习数据的低维流形，架构上都使用瓶颈层，U-Net 可视为带残差连接的自编码器。关键区别在于扩散模型以时间步 t 为条件输入，使单一模型和单组参数即可处理不同噪声水平，从而先由高 t 的噪声生成模糊图像、再在低 t 时逐步锐化；当前扩散模型还以图像描述等文本为条件，支持按文本提示词生成图像。

手动分类 CIFAR-10 的经验教训

Andrej Karpathy 用 MATLAB 界面手动分类 CIFAR-10 的 400 张图片，人类准确率约为 94%，而当时 Adam Coates 等人的 SOTA 方法仅约 80%。

Andrej Karpathy 用卷积神经网络分析什么样的自拍更受欢迎

Andrej Karpathy 抓取约 500 万张带 #selfie 标签的图片并筛选出 200 万张含人脸的自拍，按点赞数与粉丝数归一化后标注好坏，用 Caffe 微调 ImageNet 预训练的 VGGNet，模型达 60% 验证准确率。