商湯開源 SenseNova U1：端到端連貫輸出圖文與複雜資訊圖
商湯科技開源統一多模態模型 SenseNova U1。它採用自研架構完全拿掉視覺編碼器，端到端打通畫素與文本，能同時處理視覺推理、高難度資訊圖排版與圖文連續創作。不過在寫實肖像生成上，人物皮膚仍稍顯塑膠感。
AI影像
檢視更新的新聞
Google Photos 推出 AI 試衣：掃描相簿建「虛擬衣櫥」，自由混搭舊衣
Google 為 Google Photos 推出 AI 虛擬試衣功能。它能掃描相簿中穿過的衣服建立「虛擬衣櫥」，拆分上衣、褲子與鞋子自由混搭試穿並儲存造型。不同於去年的網購試衣，該功能專注已有衣物，預計今年夏末先上線 Android，隨後擴充套件至 iOS。
SpAItial 釋出 3D 世界模型 Echo-2：單張照片生成可漫遊場景，跑分超 Marble 1.1
SpAItial 釋出 3D 世界生成模型 Echo-2，可將單張照片或文本轉化為持久、可互動的 3D 環境。模型支援基於語義分割的區域性物體編輯，並能通過 3DGS 在網頁端即時渲染，在 WorldScore 基準上全面超越 World Labs 的 Marble 1.1。
Anthropic 上線創意聯結器：Claude 直接接入 Blender、Adobe 與 Fusion
Anthropic 釋出了一批創意工具聯結器，直接打通 Adobe、Autodesk Fusion、Blender、Ableton 等主流軟體。使用者可以用自然語言在 Blender 與 Fusion 中進行 3D 建模，或批次處理圖層與匯出資產。AI 不再只是對話方塊，而是深度嵌入專業工作流。
微軟推出 World-R1：用強化學習補齊影片生成的 3D 空間短板
微軟推出影片生成框架 World-R1。它無需改動底層模型架構，基於 Wan2.1 並藉助強化學習和 3D 模型反饋將空間約束融入生成過程。這解決了影片幾何變形問題，大幅降低了世界模擬的訓練成本。
復旦開源 Hallo-Live：文本即時生成音影片數字人，延遲不到 1 秒
復旦大學團隊提出即時流式數字人生成框架 Hallo-Live，能直接由文本同步合成語音與肖像影片。在兩塊 NVIDIA H200 上，它跑出 20.38 FPS 的速度，延遲僅 0.94 秒。它將雙流擴散與偏好引導蒸餾結合，解決了互動式數字人延遲高與音畫脫節的痛點。
阿里 Qwen 上線 Qwen-Image-2.0-Pro：躋身 Arena 全球文生圖前十
阿里 Qwen 團隊宣佈上線文生圖模型 Qwen-Image-2.0-Pro。新模型大幅提升了影像質量、多語言文字渲染和指令遵循能力，並在競技場 Arena 的文生圖榜單中排在全球第 9 位。目前該模型已在 ModelScope 開放體驗，並同步上線 API。
Vista4D：把普通影片轉成 4D 點雲，支援自由運鏡重拍與動態編輯
研究團隊提出 Vista4D 框架，能把普通影片轉換為包含時間維度的 4D 點雲。最值得關注的是，它不僅能以任意相機軌跡重新渲染動態畫面，還能直接在點雲中增刪物體或拼接不同影片。目前程式碼與模型已開放。
Ideogram 上線自定義模型：用私有圖片訓練，鎖定品牌視覺與排版
Ideogram 推出自定義模型（Custom Models）功能，允許使用者使用自有影像資產而非全網公開資料訓練專屬生圖模型。該功能專門用於保持品牌的藝術風格、字型排版及視覺識別一致性，目前已面向 Team、Pro、Enterprise 會員及 API 開放呼叫。
Google 釋出 Vision Banana：把影像分割與深度預測做成「生圖任務」
Google 釋出影像理解與生成統一模型 Vision Banana。它基於 Nano Banana Pro 微調，把語義分割、深度估計和表面法線等感知任務全轉成影像生成。測試顯示其零樣本表現甚至超越 Meta SAM 3 等專用模型，驗證了生圖訓練也能成為通用視覺理解的底座。
3D 高斯濺射房產方案：手機掃全屋，瀏覽器免 App 即可全景漫遊
一項基於 PlayCanvas 的開源 3D 高斯濺射方案讓手機掃描看房成為現實。AI 能將拍攝照片重建為數百萬個光雲，檔案比短影片還小，在瀏覽器裡就能照片級漫遊。全景看房成本大幅降至約 200 美元，已有自由職業者開始向房產公司等收費接單。
AnyRecon 亮相：隨手拍幾張無序照片，就能重建連貫 3D 場景
研究人員提出 3D 重建框架 AnyRecon，只需輸入幾張未對齊、無序拍攝的照片，就能重建出連貫的 3D 場景。它引入全域性場景記憶機制，克服了以往擴散方法視角不一致的缺陷。這意味著隨手拍兩三張照片，也能拼出可靠的三維模型。
新框架 CoInteract 亮相：只需兩張圖，生成不穿模的帶貨影片
研究人員公佈影片生成框架 CoInteract，輸入一張人物照和一張產品圖即可生成帶貨影片。它引入雙流協同生成架構，在處理畫素的同時專門約束人手與物體的幾何接觸，解決了手部崩壞和穿模問題，讓電商內容批次生成更逼真。
Open CoDesign：開源本地 AI 設計工具，自帶模型生成原型與文件
Open CoDesign 是一款開源桌面端 AI 設計工具，被視作 Claude Design 的本地替代品。它支援自帶 API 金鑰接入任意主流模型或本地 Ollama，通過文字或參考素材自主生成可互動 UI 原型、幻燈片與 PDF，並支援即時區域性微調與原始碼匯出。
OpenAI 釋出 ChatGPT Images 2.0：文字渲染大升級，支援中日韓等多語言
OpenAI 推出 ChatGPT Images 2.0。新模型重點提升了文字渲染與視覺推理能力，支援中文、日文、韓文和阿拉伯文等多種文字排版，並在攝影、漫畫等風格上帶來更高的控制精度。使用者已可直接在 ChatGPT 中使用。
UniGeo 帶來相機可控影像編輯：輸入精確角度，自由平移俯仰視角
研究團隊提出相機可控影像編輯框架 UniGeo。它能將單張圖片轉為 3D 幾何表徵，支援使用者通過輸入精確角度來平移或俯仰鏡頭，重新渲染新視角。這解決了普通影像生成工具難以精準運鏡且容易變形的問題，相關模型即將推出。
UniMesh 統一 3D 生成與理解：不僅能文生 3D，還能用提示詞改模型
研究人員提出統一框架 UniMesh，將 3D 生成與 3D 理解整合到單一架構中。它不僅支援從文本或單張圖片生成完整 3D 模型，還能用提示詞進行連續編輯，甚至反向給 3D 物體生成描述文本。最值得關注的是，它打破了過去 3D 生成與空間理解相互割裂的局面，讓兩種能力在一個模型裡互相促進。
Canva 接入 Claude Design：AI 產出的草稿與程式碼支援直接拖拽編輯
Canva 宣佈接入 Anthropic 的 Claude Design，並上線 HTML 匯入功能。使用者在 Claude 中生成的草稿與互動式程式碼可直接匯入 Canva，無需反覆重寫程式碼，通過拖拽就能改佈局、換顏色。這意味著 AI 產出的原型終於能無縫進入團隊設計流。
Adobe 釋出 TokenLight：單張照片能用 3D 光源隨意重新打光
Adobe 公佈影像重打光研究 TokenLight。它把強度、顏色和 3D 光源位置轉化為標記輸入模型，使用者能像拖滑塊一樣在照片裡隨意加燈並連續調整漫反射。最值得關注的是，模型沒靠顯式 3D 渲染監督就學會了光線與幾何體的互動。不過目前僅釋出了論文，暫未開放體驗。
Gemini 接入 Google 相簿：結合 Nano Banana 2，一句話畫出個性化全家福
Google 宣佈為 Gemini 應用引入個性化生圖功能，結合 Nano Banana 2 與 Google 相簿。使用者無需上傳參考圖或手寫長篇提示詞，Gemini 能自動呼叫相簿中標記的人物與寵物生成水彩或黏土風格畫作。該功能正向美國 Google AI 訂閱使用者推送。