商汤开源 SenseNova U1：端到端连贯输出图文与复杂信息图
商汤科技开源统一多模态模型 SenseNova U1。它采用自研架构完全拿掉视觉编码器，端到端打通像素与文本，能同时处理视觉推理、高难度信息图排版与图文连续创作。不过在写实肖像生成上，人物皮肤仍稍显塑料感。
AI图像
查看更新的新闻
Google Photos 推出 AI 试衣：扫描相册建「虚拟衣橱」，自由混搭旧衣
Google 为 Google Photos 推出 AI 虚拟试衣功能。它能扫描相册中穿过的衣服建立「虚拟衣橱」，拆分上衣、裤子与鞋子自由混搭试穿并保存造型。不同于去年的网购试衣，该功能专注已有衣物，预计今年夏末先上线 Android，随后扩展至 iOS。
SpAItial 发布 3D 世界模型 Echo-2：单张照片生成可漫游场景，跑分超 Marble 1.1
SpAItial 发布 3D 世界生成模型 Echo-2，可将单张照片或文本转化为持久、可交互的 3D 环境。模型支持基于语义分割的局部物体编辑，并能通过 3DGS 在网页端实时渲染，在 WorldScore 基准上全面超越 World Labs 的 Marble 1.1。
Anthropic 上线创意连接器：Claude 直接接入 Blender、Adobe 与 Fusion
Anthropic 发布了一批创意工具连接器，直接打通 Adobe、Autodesk Fusion、Blender、Ableton 等主流软件。用户可以用自然语言在 Blender 与 Fusion 中进行 3D 建模，或批量处理图层与导出资产。AI 不再只是对话框，而是深度嵌入专业工作流。
微软推出 World-R1：用强化学习补齐视频生成的 3D 空间短板
微软推出视频生成框架 World-R1。它无需改动底层模型架构，基于 Wan2.1 并借助强化学习和 3D 模型反馈将空间约束融入生成过程。这解决了视频几何变形问题，大幅降低了世界模拟的训练成本。
复旦开源 Hallo-Live：文本实时生成音视频数字人，延迟不到 1 秒
复旦大学团队提出实时流式数字人生成框架 Hallo-Live，能直接由文本同步合成语音与肖像视频。在两块 NVIDIA H200 上，它跑出 20.38 FPS 的速度，延迟仅 0.94 秒。它将双流扩散与偏好引导蒸馏结合，解决了交互式数字人延迟高与音画脱节的痛点。
阿里 Qwen 上线 Qwen-Image-2.0-Pro：跻身 Arena 全球文生图前十
阿里 Qwen 团队宣布上线文生图模型 Qwen-Image-2.0-Pro。新模型大幅提升了图像质量、多语言文字渲染和指令遵循能力，并在竞技场 Arena 的文生图榜单中排在全球第 9 位。目前该模型已在 ModelScope 开放体验，并同步上线 API。
Vista4D：把普通视频转成 4D 点云，支持自由运镜重拍与动态编辑
研究团队提出 Vista4D 框架，能把普通视频转换为包含时间维度的 4D 点云。最值得关注的是，它不仅能以任意相机轨迹重新渲染动态画面，还能直接在点云中增删物体或拼接不同视频。目前代码与模型已开放。
Ideogram 上线自定义模型：用私有图片训练，锁定品牌视觉与排版
Ideogram 推出自定义模型（Custom Models）功能，允许用户使用自有图像资产而非全网公开数据训练专属生图模型。该功能专门用于保持品牌的艺术风格、字体排版及视觉识别一致性，目前已面向 Team、Pro、Enterprise 会员及 API 开放调用。
Google 发布 Vision Banana：把图像分割与深度预测做成「生图任务」
Google 发布图像理解与生成统一模型 Vision Banana。它基于 Nano Banana Pro 微调，把语义分割、深度估计和表面法线等感知任务全转成图像生成。测试显示其零样本表现甚至超越 Meta SAM 3 等专用模型，验证了生图训练也能成为通用视觉理解的底座。
3D 高斯溅射房产方案：手机扫全屋，浏览器免 App 即可全景漫游
一项基于 PlayCanvas 的开源 3D 高斯溅射方案让手机扫描看房成为现实。AI 能将拍摄照片重建为数百万个光云，文件比短视频还小，在浏览器里就能照片级漫游。全景看房成本大幅降至约 200 美元，已有自由职业者开始向房产公司等收费接单。
AnyRecon 亮相：随手拍几张无序照片，就能重建连贯 3D 场景
研究人员提出 3D 重建框架 AnyRecon，只需输入几张未对齐、无序拍摄的照片，就能重建出连贯的 3D 场景。它引入全局场景记忆机制，克服了以往扩散方法视角不一致的缺陷。这意味着随手拍两三张照片，也能拼出可靠的三维模型。
新框架 CoInteract 亮相：只需两张图，生成不穿模的带货视频
研究人员公布视频生成框架 CoInteract，输入一张人物照和一张产品图即可生成带货视频。它引入双流协同生成架构，在处理像素的同时专门约束人手与物体的几何接触，解决了手部崩坏和穿模问题，让电商内容批量生成更逼真。
Open CoDesign：开源本地 AI 设计工具，自带模型生成原型与文档
Open CoDesign 是一款开源桌面端 AI 设计工具，被视作 Claude Design 的本地替代品。它支持自带 API 密钥接入任意主流模型或本地 Ollama，通过文字或参考素材自主生成可交互 UI 原型、幻灯片与 PDF，并支持实时局部微调与源码导出。
OpenAI 发布 ChatGPT Images 2.0：文字渲染大升级，支持中日韩等多语言
OpenAI 推出 ChatGPT Images 2.0。新模型重点提升了文字渲染与视觉推理能力，支持中文、日文、韩文和阿拉伯文等多种文字排版，并在摄影、漫画等风格上带来更高的控制精度。用户已可直接在 ChatGPT 中使用。
UniGeo 带来相机可控图像编辑：输入精确角度，自由平移俯仰视角
研究团队提出相机可控图像编辑框架 UniGeo。它能将单张图片转为 3D 几何表征，支持用户通过输入精确角度来平移或俯仰镜头，重新渲染新视角。这解决了普通图像生成工具难以精准运镜且容易变形的问题，相关模型即将推出。
UniMesh 统一 3D 生成与理解：不仅能文生 3D，还能用提示词改模型
研究人员提出统一框架 UniMesh，将 3D 生成与 3D 理解整合到单一架构中。它不仅支持从文本或单张图片生成完整 3D 模型，还能用提示词进行连续编辑，甚至反向给 3D 物体生成描述文本。最值得关注的是，它打破了过去 3D 生成与空间理解相互割裂的局面，让两种能力在一个模型里互相促进。
Canva 接入 Claude Design：AI 产出的草稿与代码支持直接拖拽编辑
Canva 宣布接入 Anthropic 的 Claude Design，并上线 HTML 导入功能。用户在 Claude 中生成的草稿与交互式代码可直接导入 Canva，无需反复重写代码，通过拖拽就能改布局、换颜色。这意味着 AI 产出的原型终于能无缝进入团队设计流。
Adobe 发布 TokenLight：单张照片能用 3D 光源随意重新打光
Adobe 公布图像重打光研究 TokenLight。它把强度、颜色和 3D 光源位置转化为标记输入模型，用户能像拖滑块一样在照片里随意加灯并连续调整漫反射。最值得关注的是，模型没靠显式 3D 渲染监督就学会了光线与几何体的交互。不过目前仅发布了论文，暂未开放体验。
Gemini 接入 Google 相册：结合 Nano Banana 2，一句话画出个性化全家福
Google 宣布为 Gemini 应用引入个性化生图功能，结合 Nano Banana 2 与 Google 相册。用户无需上传参考图或手写长篇提示词，Gemini 能自动调用相册中标记的人物与宠物生成水彩或黏土风格画作。该功能正向美国 Google AI 订阅用户推送。