TARFlow 讓歸一化流重獲新生：借力 Transformer，生成質量追平擴散模型
研究團隊提出結合自迴歸 Transformer 的歸一化流架構 TARFlow，讓這一長期被擴散模型壓制的範式重獲新生。它採用單一可逆網路和最大似然目標，在保持完全可逆特性的同時，樣本質量追平擴散模型，並能擴充套件至影像與影片生成。
AI影像
檢視更新的新聞
xAI 上線 Grok 影像模型 Aurora：攻克文字與人像細節，已登陸 X
xAI 宣佈在 X 平臺為 Grok 推出自迴歸影像生成模型 Aurora。該模型基於海量網際網路樣本訓練，大幅提升了逼真人像、複雜文字與標誌的渲染能力，並原生支援影像輸入和編輯。目前新功能已在部分地區先行上線，預計一週內向全量使用者開放。
AMD 開源 Nitro Diffusion：單步生圖模型落地，跑在自家顯示卡上
Dec 09, 2024，AMD 釋出並開源單步擴散模型 Nitro Diffusion。新模型基於 Stable Diffusion 2.1 和 PixArt-Sigma 打造，只需一步推理就能生成媲美多步擴散的影像，可部署在資料中心和端側 PC，相關程式碼與權重已上線 Hugging Face。
Google 釋出 PaliGemma 2：基於 Gemma 2，支援即插即用與微調
Google 推出視覺語言模型 PaliGemma 2。它基於 Gemma 2 打造，提供多種模型尺寸，具備視覺理解與互動能力。現有 PaliGemma 使用者無需大改程式碼即可直接替換升級，大幅降低了針對特定任務微調視覺模型的門檻。
OpenAI 挖走 DeepMind 視覺三人組：入駐蘇黎世新辦公室攻堅多模態
OpenAI 宣佈招攬了 Google DeepMind 的三名資深計算機視覺專家 Lucas Beyer、Alexander Kolesnikov 與 Xiaohua Zhai。三人將在 OpenAI 新設立的瑞士蘇黎世辦公室開展工作，專注於多模態 AI 研發。這也意味著頂尖實驗室對稀缺視覺人才的爭奪進一步升級。
Google 開放視聽創作底牌：Imagen 3 正式上線，Veo 開啟企業私測
Google 宣佈 Imagen 3 全面開放給 Vertex AI 客戶，影片生成模型 Veo 也開啟私測。Veo 支援圖生影片與區域性編輯，最長可輸出 6 秒高畫質片段。這意味著 Google 開始將前沿多模態能力塞進企業雲服務，不過 Veo 目前仍需申請預覽資格。
Amazon 推出 Nova 系列大模型：主打極速與價效比，價格直降 75%
Amazon 釋出新一代基礎模型家族 Amazon Nova，涵蓋 Micro、Lite、Pro 以及影像生成 Canvas 和影片生成 Reel。最值得關注的是，其在 Amazon Bedrock 上不僅響應速度最快，成本還比同級別頂尖模型直接砍掉至少 75%。
李飛飛創辦的 World Labs 亮相：單張照片生成可漫遊 3D 場景
李飛飛聯合創辦的 World Labs 公佈首個系統，能將單張照片變成在瀏覽器裡實時互動的 3D 場景。模型不僅符合物理規律，還能用鍵鼠調節景深並自由移動視角。雖然目前漫遊範圍有限，但為可控的「世界模型」邁出關鍵一步。
Google Labs 推出 GenChess：用 Imagen 3 定製專屬棋子並下棋
Google Labs 推出實驗性專案 GenChess。它接入 Imagen 3 模型，玩家輸入提示詞即可生成經典或創意風格的專屬棋子，並直接與電腦開局對弈。不過該功能目前僅在部分地區可用。
Stability AI 推出三款 ControlNet：為 Stable Diffusion 3.5 Large 帶來精準控制
Stability AI 為 Stable Diffusion 3.5 Large 釋出了三款 ControlNet 模型，包括 Blur、Canny 和 Depth。它們分別支援超解析度放大、邊緣線稿控制與深度引導，經約 150 人測試偏好度位居同類首位。年營收 100 萬美元以下可免費商用，支援通過 Comfy UI 呼叫。
MIT 研發 Earth Intelligence Engine：能生成未來的洪水衛星圖
MIT 研究團隊公佈名為 Earth Intelligence Engine 的新工具，將生成對抗網路與物理洪水模型結合，能提前預測並生成暴風雨過後的衛星圖。這能解決純 AI 經常在不可能積水的高地「瞎編」淹水畫面的幻覺問題，幫助居民更直觀地做撤離決策。
Luma 升級 Dream Machine：推出 Photon 影像模型並上線 iOS 版
Luma AI 宣佈將影片生成工具 Dream Machine 拓展為完整創作平臺。官方同步推出 Photon 影像生成基礎模型，宣稱處理速度比同類快最高 800%，並上線全新 UI、iOS 移動端以及面向開發者的 API。
AMD 釋出 Amuse 2.2 Beta：支援 SD 3.5，端側生圖拉到 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 處理器與 Radeon 7000 顯示卡最佳化，結合 XDNA 超分技術，離線也能輸出 2048x2048 畫素影像，讓輕薄本免配置即可在本地跑高質量生圖。
Runway 釋出影像模型 Frames：鎖定統一風格，接入 Gen-3
Runway 釋出全新影像生成基礎模型 Frames，主打風格控制與視覺保真度。該模型擅長在鎖定特定美學風格的同時穩定生成變體，便於創作者構建統一的視覺世界。目前 Frames 正逐步向 Gen-3 Alpha 和 Runway API 使用者推送開放。
KREA AI 上線 Flux 影像提示：支援用參考圖引導生成，對所有人免費
KREA AI 宣佈上線 Flux 影像提示詞功能。使用者現在可以在呼叫 Flux 模型生圖時引入參考圖片作為生成條件，以此引導畫面的構圖與風格。該功能目前直接面向所有使用者免費開放。
Messenger 通話上線 AI 背景：還能高畫質降噪、沒接通時留影片便籤
Meta 宣佈為 Messenger 通話推出多項新功能。視訊通話中支援由 Meta AI 生成個性化背景，同時上線高畫質畫質、背景降噪和語音隔離。如果對方未接通，還能直接錄製語音或影片留言，日常通話更省心。
Niantic 打造地理空間大模型：靠 Pokémon Go 玩家抓寶掃描 3D 世界
Niantic 宣佈正在利用《Pokémon Go》等遊戲中玩家上傳的數百萬份現實掃描資料，構建“大型地理空間模型”（LGM）。該模型旨在賦予計算機和機器人行人視角的 3D 空間理解能力，覆蓋許多汽車無法到達的物理角落。
Mistral 升級免費助手 le Chat：自帶聯網搜尋、Canvas 與影像生成
Mistral AI 宣佈全面升級免費助手 le Chat。新版加入了帶引用的聯網搜尋、線上協作的 Canvas 畫布，並接入多模態模型 Pixtral Large 解析複雜圖文 PDF，同時引入 Flux Pro 影像生成和工作流 Agent。目前這些功能均在 Beta 階段免費開放。
Google Docs 接入 Gemini 生圖：支援 Imagen 3 生成正文插圖與全寬封面
Google 宣佈為 Google Docs 引入 Gemini 影像生成功能，底層採用最新的 Imagen 3 模型。使用者通過文字提示詞即可在文件中直接生成插圖或無邊距封面，還能挑選水彩、攝影等風格。該功能面向 Gemini 企業及 Google One AI 付費訂閱使用者開放。
Basejump 推出 AI 社交遊戲平臺：無需程式碼生成資產與遊戲
Basejump 公佈 Web3 社交遊戲平臺及 AI 底層架構 Action，並獲得 Community Labs 戰略投資。玩家無需程式設計技能即可靠 AI 打造虛擬形象、遊戲資產甚至完整遊戲，內容依託 AO 超級計算機與 Arweave 鏈上永久儲存，預計 2025 年初上線。