TARFlow 让归一化流重获新生：借力 Transformer，生成质量追平扩散模型
研究团队提出结合自回归 Transformer 的归一化流架构 TARFlow，让这一长期被扩散模型压制的范式重获新生。它采用单一可逆网络和最大似然目标，在保持完全可逆特性的同时，样本质量追平扩散模型，并能扩展至图像与视频生成。
AI图像
查看更新的新闻
xAI 上线 Grok 图像模型 Aurora：攻克文字与人像细节，已登陆 X
xAI 宣布在 X 平台为 Grok 推出自回归图像生成模型 Aurora。该模型基于海量互联网样本训练，大幅提升了逼真人像、复杂文字与标志的渲染能力，并原生支持图像输入和编辑。目前新功能已在部分地区先行上线，预计一周内向全量用户开放。
AMD 开源 Nitro Diffusion：单步生图模型落地，跑在自家显卡上
Dec 09, 2024，AMD 发布并开源单步扩散模型 Nitro Diffusion。新模型基于 Stable Diffusion 2.1 和 PixArt-Sigma 打造，只需一步推理就能生成媲美多步扩散的图像，可部署在数据中心和端侧 PC，相关代码与权重已上线 Hugging Face。
Google 发布 PaliGemma 2：基于 Gemma 2，支持即插即用与微调
Google 推出视觉语言模型 PaliGemma 2。它基于 Gemma 2 打造，提供多种模型尺寸，具备视觉理解与交互能力。现有 PaliGemma 用户无需大改代码即可直接替换升级，大幅降低了针对特定任务微调视觉模型的门槛。
OpenAI 挖走 DeepMind 视觉三人组：入驻苏黎世新办公室攻坚多模态
OpenAI 宣布招揽了 Google DeepMind 的三名资深计算机视觉专家 Lucas Beyer、Alexander Kolesnikov 与 Xiaohua Zhai。三人将在 OpenAI 新设立的瑞士苏黎世办公室开展工作，专注于多模态 AI 研发。这也意味着顶尖实验室对稀缺视觉人才的争夺进一步升级。
Google 开放视听创作底牌：Imagen 3 正式上线，Veo 开启企业私测
Google 宣布 Imagen 3 全面开放给 Vertex AI 客户，视频生成模型 Veo 也开启私测。Veo 支持图生视频与局部编辑，最长可输出 6 秒高画质片段。这意味着 Google 开始将前沿多模态能力塞进企业云服务，不过 Veo 目前仍需申请预览资格。
Amazon 推出 Nova 系列大模型：主打极速与性价比，价格直降 75%
Amazon 发布新一代基础模型家族 Amazon Nova，涵盖 Micro、Lite、Pro 以及图像生成 Canvas 和视频生成 Reel。最值得关注的是，其在 Amazon Bedrock 上不仅响应速度最快，成本还比同级别顶尖模型直接砍掉至少 75%。
李飞飞创办的 World Labs 亮相：单张照片生成可漫游 3D 场景
李飞飞联合创办的 World Labs 公布首个系统，能将单张照片变成在浏览器里实时交互的 3D 场景。模型不仅符合物理规律，还能用键鼠调节景深并自由移动视角。虽然目前漫游范围有限，但为可控的「世界模型」迈出关键一步。
Google Labs 推出 GenChess：用 Imagen 3 定制专属棋子并下棋
Google Labs 推出实验性项目 GenChess。它接入 Imagen 3 模型，玩家输入提示词即可生成经典或创意风格的专属棋子，并直接与电脑开局对弈。不过该功能目前仅在部分地区可用。
Stability AI 推出三款 ControlNet：为 Stable Diffusion 3.5 Large 带来精准控制
Stability AI 为 Stable Diffusion 3.5 Large 发布了三款 ControlNet 模型，包括 Blur、Canny 和 Depth。它们分别支持超分辨率放大、边缘线稿控制与深度引导，经约 150 人测试偏好度位居同类首位。年营收 100 万美元以下可免费商用，支持通过 Comfy UI 调用。
MIT 研发 Earth Intelligence Engine：能生成未来的洪水卫星图
MIT 研究团队公布名为 Earth Intelligence Engine 的新工具，将生成对抗网络与物理洪水模型结合，能提前预测并生成暴风雨过后的卫星图。这能解决纯 AI 经常在不可能积水的高地「瞎编」淹水画面的幻觉问题，帮助居民更直观地做撤离决策。
Luma 升级 Dream Machine：推出 Photon 图像模型并上线 iOS 版
Luma AI 宣布将视频生成工具 Dream Machine 拓展为完整创作平台。官方同步推出 Photon 图像生成基础模型，宣称处理速度比同类快最高 800%，并上线全新 UI、iOS 移动端以及面向开发者的 API。
AMD 发布 Amuse 2.2 Beta：支持 SD 3.5，端侧生图拉到 2K
AMD 推出 Amuse 2.2 Beta，正式接入 Stable Diffusion 3.5 系列模型。新版面向 Ryzen AI 300 处理器与 Radeon 7000 显卡优化，结合 XDNA 超分技术，离线也能输出 2048x2048 像素图像，让轻薄本免配置即可在本地跑高质量生图。
Runway 发布图像模型 Frames：锁定统一风格，接入 Gen-3
Runway 发布全新图像生成基础模型 Frames，主打风格控制与视觉保真度。该模型擅长在锁定特定美学风格的同时稳定生成变体，便于创作者构建统一的视觉世界。目前 Frames 正逐步向 Gen-3 Alpha 和 Runway API 用户推送开放。
KREA AI 上线 Flux 图像提示：支持用参考图引导生成，对所有人免费
KREA AI 宣布上线 Flux 图像提示词功能。用户现在可以在调用 Flux 模型生图时引入参考图片作为生成条件，以此引导画面的构图与风格。该功能目前直接面向所有用户免费开放。
Messenger 通话上线 AI 背景：还能高清降噪、没接通时留视频便签
Meta 宣布为 Messenger 通话推出多项新功能。视频通话中支持由 Meta AI 生成个性化背景，同时上线高清画质、背景降噪和语音隔离。如果对方未接通，还能直接录制语音或视频留言，日常通话更省心。
Niantic 打造地理空间大模型：靠 Pokémon Go 玩家抓宝扫描 3D 世界
Niantic 宣布正在利用《Pokémon Go》等游戏中玩家上传的数百万份现实扫描数据，构建“大型地理空间模型”（LGM）。该模型旨在赋予计算机和机器人行人视角的 3D 空间理解能力，覆盖许多汽车无法到达的物理角落。
Mistral 升级免费助手 le Chat：自带联网搜索、Canvas 与图像生成
Mistral AI 宣布全面升级免费助手 le Chat。新版加入了带引用的联网搜索、在线协作的 Canvas 画布，并接入多模态模型 Pixtral Large 解析复杂图文 PDF，同时引入 Flux Pro 图像生成和工作流 Agent。目前这些功能均在 Beta 阶段免费开放。
Google Docs 接入 Gemini 生图：支持 Imagen 3 生成正文插图与全宽封面
Google 宣布为 Google Docs 引入 Gemini 图像生成功能，底层采用最新的 Imagen 3 模型。用户通过文字提示词即可在文档中直接生成插图或无边距封面，还能挑选水彩、摄影等风格。该功能面向 Gemini 企业及 Google One AI 付费订阅用户开放。
Basejump 推出 AI 社交游戏平台：无需代码生成资产与游戏
Basejump 公布 Web3 社交游戏平台及 AI 底层架构 Action，并获得 Community Labs 战略投资。玩家无需编程技能即可靠 AI 打造虚拟形象、游戏资产甚至完整游戏，内容依托 AO 超级计算机与 Arweave 链上永久保存，预计 2025 年初上线。