Microsoft 釋出 MAI-Image-2.6:衝上 Arena 第二,文字渲染漲 91 分
Microsoft 宣佈推出文生圖模型 MAI-Image-2.6,直接登上 Arena 文生圖排行榜第二位,超越了 Google、Meta 和 xAI 的同類模型。新版本綜合 Elo 分提升 79 分,其中文字渲染大漲 91 分,並顯著增強了人像與商業成像質量。
Microsoft 宣佈推出文生圖模型 MAI-Image-2.6,直接登上 Arena 文生圖排行榜第二位,超越了 Google、Meta 和 xAI 的同類模型。新版本綜合 Elo 分提升 79 分,其中文字渲染大漲 91 分,並顯著增強了人像與商業成像質量。
騰訊釋出智慧體驅動的 3D 大世界生成系統 WorldClaw,僅憑單句文本就能生成可探索、可編輯的大規模 3D 場景。系統拆為意圖規劃、全域性地形生成和區域性物體擺放三階段,藉助渲染智慧體微調物體姿態與接觸面,所有模型資產均獨立可複用。
瑞士保羅謝爾研究所團隊推出開源模型 XtalPaint,藉助影像修補技術重建晶體缺失原子,測試成功率達 97%。它只對未知位置新增擴散噪聲,保留已有骨架作引導。這項技術補全了 X 射線難測的輕原子,有望盤活數千種此前無法模擬的儲氫與電池材料。
LM 競技場上線神秘模型「莫娜·麗莎-1」,引發外界猜測 OpenAI 正在測試新一代 GPT 影像生成模型。測試者發現該模型生成的影像帶有 SynthID 水印,效能明顯優於此前的 Image 2 模型。不過 OpenAI 官方目前尚未確認該模型。
xAI 釋出影像模型 Imagine Image 2.0,作為 Quality Mode 上線網頁及移動端。新模型主打精準可控編輯,支援魔棒區域性修改、背景扣除、最多 5 張參考圖生成以及排版文字渲染。官方稱其在 Arena 文生圖與編輯雙榜均位列全球第二。
開源框架 MAC 釋出 v2,使用者只需輸入自然語言就能生成可編輯、可列印的 3D CAD 零件與裝配體。它通過多智慧體分工與自動校驗,相比基線方案將 Token 消耗降低 116 倍、成本減少 13 倍,支援匯出 STEP、STL 及 URDF 格式。
京東開源即時影片編輯模型 JoyAI-Video-Edit。它採用 16B 引數自迴歸擴散架構,使用者輸入文字指令即可即時編輯流式畫面,支援換裝、去雜物與風格遷移。系統在 720p 下跑出 30 FPS,單張 RTX 5090 也能即時執行。
騰訊混元團隊公佈統一 3D 多模態框架 Hunyuan3D-Buffalo 1.0。它基於共享的 VLM 底座,單套流程就能搞定文本生成 3D、自然語言編輯、3D 問答和部件拆解。創作者不再需要拼湊多個專用工具,用一句話就能微調或拆解 3D 資產。
MiniMax 宣佈推出通用全模態模型 H3,打破任務與模態界限,能統一理解並生成文本、影像、影片和音訊。模型支援最長 15 秒、最高 2K 解析度的原生立體聲影片生成。最值得關注的是,官方承諾未來幾天將開源權重,且 2K 單秒生成價格宣稱不足主流模型的三分之一。
Ideogram 聯合 Pruna AI 釋出影像生成模型 P-Image-Ideogram,主打質量、速度與成本的平衡,單張生成價格低至 0.003 美元。模型提供 4 種質量模式並原生支援 1K 與 2K 解析度,延遲在 3 到 8 秒之間。目前已通過 API 及 ComfyUI、Replicate 等平臺開放測試。
Google 為 Google Earth 網頁版接入 Nano Banana 2 影像生成能力,允許使用者基於衛星與 3D 實景輸入提示詞重構全球任意地點。然而僅隔一天,Google 便因發現違規截圖流出而緊急下架該功能,表示將在補強安全護欄後重新評估上線。
Ideogram 推出影像編輯工具 Object Remover。使用者框選物體、文字或雜物後,它能在不影響原圖其他區域的情況下徹底抹去目標,連同陰影、倒影與微弱光斑一併消除並重構底色。官方稱其在 RemovalBench 評測中質量第一且呼叫單價最低。
Replit 推出全新 AI 設計套件 Replit Design。該工具旨在降低創作門檻,幫助使用者直接將構想轉化為視覺設計。這意味著 Replit 正從程式設計助手向全流程創作工具擴充套件,讓沒有專業背景的使用者也能輕鬆上手。
Ai2 釋出地理空間模型推理平臺 OlmoEarth Platform。它能把大洲規模的衛星影像分析壓縮到約一天完成,每平方公里成本不足一美分。在北美野火風險圖測算中,平臺並行排程 19,600 個 CPU 與 994 個 GPU,將耗時縮短 155 倍。
ReDesign 能將單張扁平圖片還原為包含真實文字排版、向量形狀與圖層順序的工程結構,方便直接微調與重繪。它通過多模態智慧體呼叫 Qwen-Image-Layered、SAM 2 等工具自頂向下拆解影像,目前程式碼與基準資料集已在 GitHub 開源。
Adobe 與約翰霍普金斯大學公佈影片世界模型 Wonder。輸入一張圖片或影片,它能以 16 FPS 即時生成可漫遊的世界。最值得關注的是它解決了相機精準控制與長程記憶問題,使用者轉一圈探索新區域再走回來,原來的景物依然保持一致。
這週 Google 開源 3D 頭部模型 GNM,支援通過滑塊精確控制人物面部結構。模型提供 253 個身份引數和 383 個表情引數,連眼球、牙齒乃至舌頭都能獨立調節,採用 Apache 2.0 協議釋出。它能直接解決以往 AI 人臉千篇一律以及口腔內部結構缺失的問題。
週四,Midjourney 宣佈收購個性化占星應用 Co-Star。Co-Star 創始人 Banu Guler 將出任 Midjourney 首席設計官,帶隊協助開發 Midjourney 的首批獨立應用(包括影像生成應用)。目前 Midjourney 僅通過網頁和 Discord 提供服務。
Netflix 旗下團隊釋出影片框架 ID-V2V。使用者只需修改一幀畫面,就能將新風格與燈光擴散到整段影片,同時鎖定人物長相、微表情和口型不走樣。系統最高可輸出 720p 影片,但主模型體積近 80GB,本地執行門檻較高。
開源世界模型 OpenDreamer 正式釋出,作為 Google 閉源模型 Dreamer 4 的開源復現,能即時生成響應玩家按鍵操作的《我的世界》畫面。專案不僅開放了模型權重與訓練程式碼,還提供了單 GPU 驗證架構的經驗總結與線上試玩演示。