Reve 推出影像模型 Reve 2.0：用結構化佈局精準控制畫面
Reve 推出影像生成模型 Reve 2.0。它放棄傳統的純文本中間層，改用結構化佈局精確定義元素的位置、尺寸和屬性。該模型基於 Qwen 架構打造，聲稱用競品十分之一的 GPU 算力，在萬億美元以下公司中拿下競技場榜首。
AI影像
檢視更新的新聞
Martin Scorsese 出任 Black Forest Labs 顧問：用 FLUX 做分鏡
Black Forest Labs 宣佈知名導演 Martin Scorsese 擔任其顧問，協助指導以人類審美和工藝為核心的視覺 AI 研發。雙方還進行了使用影像生成模型 FLUX 製作故事板分鏡的實際創作合作。
TripoSplat：單張 2D 圖轉 3D 高斯模型，程式碼極簡還免裝重度依賴
TripoAI 開源了 3D 工具 TripoSplat，單張 2D 圖片就能轉出最高 26 萬個高斯點的 3D 資產。核心程式碼約 2000 行且免除複雜依賴，支援直接匯入 ComfyUI；不過實測生成簡單物體表現尚可，人物面部目前仍相當模糊。
開源前端設計工具 Impeccable 3.5：按模型專治「AI 味」，支援程式碼即時直改
開源前端設計工具 Impeccable 釋出 3.5 版本。團隊針對 AI 生成 UI 普遍存在的米色背景、極端字間距等缺陷，為不同模型分別編譯專屬修復規則，並上線瀏覽器即時編輯的 Live 模式。這意味著開發者能直接在真實程式碼庫中用自然語言或語音改介面，告別千篇一律的 AI 設計。
MAMMA 開源：只需 4 臺普通攝像機，搞定多人 3D 動作捕捉
馬普所和 CMU 開源無標記動捕系統 MAMMA，僅用 4 臺普通攝像機甚至手機拍攝的多視角影片，就能轉成高精度 3D 人體模型。它無需穿戴任何物理標記點，能精準追蹤跳舞、擁抱等複雜互動，還能做出《駭客帝國》同款子彈時間效果。程式碼與 Web UI 已在 GitHub 開放。
SANA-Streaming 開源：RTX 5090 上跑滿 24 幀，一分鐘影片即時修改
NVIDIA 開源影片編輯系統 SANA-Streaming，僅用 20 億引數即可在播放過程中即時替換影片中的服裝、背景與場景風格。藉助混合注意力架構與運算元最佳化，它在 RTX 5090 上實現 720p 解析度下 24 FPS 端到端即時編輯，並保持原動作穩定。程式碼與權重已公開發布。
Roblox 釋出 CubePart：直接按部件生成 3D 模型，告別手動切塊
Roblox 釋出部件級 3D 生成框架 CubePart。它允許開發者在提示詞外指定一份部件清單，直接生成分塊命名、可獨立掛載物理與動畫指令碼的遊戲資產。最值得關注的是，生成的網格無需手動拆解即可匯入引擎。相關程式碼已整合進開源專案 Cube。
微軟開源 Lens 3.8B 文生圖模型：4 步極速出圖，算力消耗不到兩成
微軟開源 3.8B 文生圖模型 Lens 全部權重，包含 Base 與 Turbo 等版本。其蒸餾 Turbo 版僅需 4 步、0.84 秒即可出圖，訓練算力消耗僅為同類的 19.3%，最高支援 1440x1440 解析度。獨立開發者可藉此獲得輕量且專業級的影像生成流程。
NVIDIA 釋出 Gamma World：支援多人協同互動，24 幀即時生成共享世界
NVIDIA 釋出多智慧體互動世界模型 Gamma World。它把過去單人控制的世界模型擴充套件到多玩家和多機器人場景，無需預設幾何形狀即可按各智慧體動作以 24 FPS 即時生成共享環境與視角。這意味著未來遊戲與機器人模擬可以直接在生成世界裡跑。
CapCut 上線設計工作室 2.0：用無限 AI 畫布告別套模板
CapCut 在網頁版推出 Design Studio 2.0，將工作流重構成無限 AI 畫布，並內建 AI 智慧體即時協同創作。使用者可藉助畫筆編輯、智慧圖層分離和一鍵創意衍生自由排版，擺脫傳統模板限制。目前每位使用者每天可免費生成 20 次。
Runway 推出 MCP：在 Claude 和 ChatGPT 裡直接生成影片
Runway 推出 Runway MCP，將影像和影片生成能力接入 Claude、ChatGPT、Cursor 和 Replit 等平臺。使用者無需離開當前工作介面，就能直接呼叫 Gen-4.5、Kling 等模型生成內容。這意味著開發者和創作者可以直接在日常對話和程式設計工具中排程多模態模型。
Leonardo.Ai 實測 GPT-Image 2.0：大白話做廣告，AI 竟會主動加爆款貼紙
Leonardo.Ai 創意總監 Dwayne Koh 分享了 GPT-Image 2.0 的實測體驗。在沒有提示詞技巧、僅輸入口語化廣告需求的情況下，模型不僅畫面專業，還主動在 Z 世代潤唇膏廣告中加上了 TikTok 爆款貼紙。這表明新影像模型正從單純的繪圖工具，變成能理解文化語境與審美品味的創意搭子。
微軟推出 MAI-Image-2.5：首秀居 Arena 第三，文字光影大升級
微軟 MAI 超級智慧團隊推出文生圖模型 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、風格插畫以及光影與空間推理能力。目前已可在 Arena 體驗，未來兩週內將接入 MAI Playground 與 Azure Foundry。
NVIDIA 推出視覺定位框架 LocateAnything：一句話框出目標，密集檢測提速 10 倍
NVIDIA 團隊推出視覺定位框架 LocateAnything，支援輸入一句話文字描述即刻框出並切取影像中的目標物體。它採用並行邊界框解碼機制並依託 1.38 億樣本資料集訓練，將幾何框作為原子單元單步解碼，在提升定位精度的同時讓密集檢測速度最高提升 10 倍。
TriSplat 提出新 3D 重建架構：跳過高斯轉網格，單次前向直出遊戲級 3D 模型
研究團隊提出前向 3D 重建網路 TriSplat，直接採用三角形基元表徵場景，單次推理即可匯出完整的 3D 網格。它省去了傳統高斯潑濺複雜的後處理轉換，最快 1.2 秒出模，生成的資產能直接接入 Unreal 等物理引擎與碰撞檢測管線。
ControlLight 釋出影像重打光：連續調節照明強度，暗光廢片也能救回來
研究團隊提出弱光影像增強框架 ControlLight。它通過專門的加權流匹配損失，讓使用者能連續、平滑地調節光照強度，同時保持原圖結構與真實感。暗光拍攝廢片無需大幅重拍，就能直接二次布光。
Pantheon360 亮相：靠 3D 快取生成連貫的 360 度全景影片
研究團隊公佈 Pantheon360 框架。它利用顯式 3D 快取作為幾何骨架，讓擴散模型專注渲染紋理，從稀疏全景輸入生成高保真 360 度影片。這意味著數字孿生和 VR 場景有了更穩定、不易漂移的全景生成方案。
NVIDIA 提出 PiD：用畫素擴散替換 VAE，2K 生圖解碼壓進 1 秒
NVIDIA 團隊提出影像解碼技術 PiD。它用畫素擴散替代傳統 VAE，將解碼與 4 至 8 倍上取樣整合，在 RTX 5090 上把 2K 影像解碼壓到 1 秒內。這解決了高解析度生成最後一步細節模糊的痛點，同時大幅縮短了等待時間。
GenRecon 亮相：幾張照片重建大尺度 3D 場景，效果提升 16%
研究人員公佈 3D 場景重建方法 GenRecon。它將大場景切分成重疊塊，結合 Trellis.2 先驗與幾張普通照片，直接生成可編輯的室內 PBR 網格，表現優於現有前沿方法 16%。這意味著無需昂貴掃描器，普通手機拍幾張照就能快速復刻空間資產。
Ideogram 推出 MCP：把 Claude 和 ChatGPT 變成設計智慧體
Ideogram 推出 Ideogram MCP 整合，將 Claude 和 ChatGPT 變身設計智慧體。使用者無需離開對話方塊，即可直接生成圖片、製作設計並訓練專屬模型。該功能還相容 Cursor 和 Hermes 等平臺，進一步簡化了設計工作流。