Reve 推出图像模型 Reve 2.0：用结构化布局精准控制画面
Reve 推出图像生成模型 Reve 2.0。它放弃传统的纯文本中间层，改用结构化布局精确定义元素的位置、尺寸和属性。该模型基于 Qwen 架构打造，声称用竞品十分之一的 GPU 算力，在万亿美元以下公司中拿下竞技场榜首。
AI图像
查看更新的新闻
Martin Scorsese 出任 Black Forest Labs 顾问：用 FLUX 做分镜
Black Forest Labs 宣布知名导演 Martin Scorsese 担任其顾问，协助指导以人类审美和工艺为核心的视觉 AI 研发。双方还进行了使用图像生成模型 FLUX 制作故事板分镜的实际创作合作。
TripoSplat：单张 2D 图转 3D 高斯模型，代码极简还免装重度依赖
TripoAI 开源了 3D 工具 TripoSplat，单张 2D 图片就能转出最高 26 万个高斯点的 3D 资产。核心代码约 2000 行且免除复杂依赖，支持直接导入 ComfyUI；不过实测生成简单物体表现尚可，人物面部目前仍相当模糊。
开源前端设计工具 Impeccable 3.5：按模型专治「AI 味」，支持代码实时直改
开源前端设计工具 Impeccable 发布 3.5 版本。团队针对 AI 生成 UI 普遍存在的米色背景、极端字间距等缺陷，为不同模型分别编译专属修复规则，并上线浏览器实时编辑的 Live 模式。这意味着开发者能直接在真实代码库中用自然语言或语音改界面，告别千篇一律的 AI 设计。
MAMMA 开源：只需 4 台普通摄像机，搞定多人 3D 动作捕捉
马普所和 CMU 开源无标记动捕系统 MAMMA，仅用 4 台普通摄像机甚至手机拍摄的多视角视频，就能转成高精度 3D 人体模型。它无需穿戴任何物理标记点，能精准追踪跳舞、拥抱等复杂互动，还能做出《黑客帝国》同款子弹时间效果。代码与 Web UI 已在 GitHub 开放。
SANA-Streaming 开源：RTX 5090 上跑满 24 帧，一分钟视频实时修改
NVIDIA 开源视频编辑系统 SANA-Streaming，仅用 20 亿参数即可在播放过程中实时替换视频中的服装、背景与场景风格。借助混合注意力架构与算子优化，它在 RTX 5090 上实现 720p 分辨率下 24 FPS 端到端实时编辑，并保持原动作稳定。代码与权重已公开发布。
Roblox 发布 CubePart：直接按部件生成 3D 模型，告别手动切块
Roblox 发布部件级 3D 生成框架 CubePart。它允许开发者在提示词外指定一份部件清单，直接生成分块命名、可独立挂载物理与动画脚本的游戏资产。最值得关注的是，生成的网格无需手动拆解即可导入引擎。相关代码已整合进开源项目 Cube。
微软开源 Lens 3.8B 文生图模型：4 步极速出图，算力消耗不到两成
微软开源 3.8B 文生图模型 Lens 全部权重，包含 Base 与 Turbo 等版本。其蒸馏 Turbo 版仅需 4 步、0.84 秒即可出图，训练算力消耗仅为同类的 19.3%，最高支持 1440x1440 分辨率。独立开发者可借此获得轻量且专业级的图像生成流程。
NVIDIA 发布 Gamma World：支持多人协同互动，24 帧实时生成共享世界
NVIDIA 发布多智能体交互世界模型 Gamma World。它把过去单人控制的世界模型扩展到多玩家和多机器人场景，无需预设几何形状即可按各智能体动作以 24 FPS 实时生成共享环境与视角。这意味着未来游戏与机器人仿真可以直接在生成世界里跑。
CapCut 上线设计工作室 2.0：用无限 AI 画布告别套模板
CapCut 在网页版推出 Design Studio 2.0，将工作流重构成无限 AI 画布，并内置 AI 智能体实时协同创作。用户可借助画笔编辑、智能图层分离和一键创意衍生自由排版，摆脱传统模板限制。目前每位用户每天可免费生成 20 次。
Runway 推出 MCP：在 Claude 和 ChatGPT 里直接生成视频
Runway 推出 Runway MCP，将图像和视频生成能力接入 Claude、ChatGPT、Cursor 和 Replit 等平台。用户无需离开当前工作界面，就能直接调用 Gen-4.5、Kling 等模型生成内容。这意味着开发者和创作者可以直接在日常对话和编程工具中调度多模态模型。
Leonardo.Ai 实测 GPT-Image 2.0：大白话做广告，AI 竟会主动加爆款贴纸
Leonardo.Ai 创意总监 Dwayne Koh 分享了 GPT-Image 2.0 的实测体验。在没有提示词技巧、仅输入口语化广告需求的情况下，模型不仅画面专业，还主动在 Z 世代润唇膏广告中加上了 TikTok 爆款贴纸。这表明新图像模型正从单纯的绘图工具，变成能理解文化语境与审美品味的创意搭子。
微软推出 MAI-Image-2.5：首秀居 Arena 第三，文字光影大升级
微软 MAI 超级智能团队推出文生图模型 MAI-Image-2.5，首次亮相便位列 Arena 排行榜第三。新模型相比前代大幅提升了文字渲染、风格插画以及光影与空间推理能力。目前已可在 Arena 体验，未来两周内将接入 MAI Playground 与 Azure Foundry。
NVIDIA 推出视觉定位框架 LocateAnything：一句话框出目标，密集检测提速 10 倍
NVIDIA 团队推出视觉定位框架 LocateAnything，支持输入一句话文字描述即刻框出并切取图像中的目标物体。它采用并行边界框解码机制并依托 1.38 亿样本数据集训练，将几何框作为原子单元单步解码，在提升定位精度的同时让密集检测速度最高提升 10 倍。
TriSplat 提出新 3D 重建架构：跳过高斯转网格，单次前向直出游戏级 3D 模型
研究团队提出前向 3D 重建网络 TriSplat，直接采用三角形基元表征场景，单次推理即可导出完整的 3D 网格。它省去了传统高斯泼溅复杂的后处理转换，最快 1.2 秒出模，生成的资产能直接接入 Unreal 等物理引擎与碰撞检测管线。
ControlLight 发布图像重打光：连续调节照明强度，暗光废片也能救回来
研究团队提出弱光图像增强框架 ControlLight。它通过专门的加权流匹配损失，让用户能连续、平滑地调节光照强度，同时保持原图结构与真实感。暗光拍摄废片无需大幅重拍，就能直接二次布光。
Pantheon360 亮相：靠 3D 缓存生成连贯的 360 度全景视频
研究团队公布 Pantheon360 框架。它利用显式 3D 缓存作为几何骨架，让扩散模型专注渲染纹理，从稀疏全景输入生成高保真 360 度视频。这意味着数字孪生和 VR 场景有了更稳定、不易漂移的全景生成方案。
NVIDIA 提出 PiD：用像素扩散替换 VAE，2K 生图解码压进 1 秒
NVIDIA 团队提出图像解码技术 PiD。它用像素扩散替代传统 VAE，将解码与 4 至 8 倍上采样整合，在 RTX 5090 上把 2K 图像解码压到 1 秒内。这解决了高分辨率生成最后一步细节模糊的痛点，同时大幅缩短了等待时间。
GenRecon 亮相：几张照片重建大尺度 3D 场景，效果提升 16%
研究人员公布 3D 场景重建方法 GenRecon。它将大场景切分成重叠块，结合 Trellis.2 先验与几张普通照片，直接生成可编辑的室内 PBR 网格，表现优于现有前沿方法 16%。这意味着无需昂贵扫描仪，普通手机拍几张照就能快速复刻空间资产。
Ideogram 推出 MCP：把 Claude 和 ChatGPT 变成设计智能体
Ideogram 推出 Ideogram MCP 集成，将 Claude 和 ChatGPT 变身设计智能体。用户无需离开对话框，即可直接生成图片、制作设计并训练专属模型。该功能还兼容 Cursor 和 Hermes 等平台，进一步简化了设计工作流。