图像生成

Nano Banana 2 现支持结合个人上下文与 Google Photos 数据生成图像，通过分析用户独特的生活场景，创建反映个人经历的个性化视觉内容。该功能已在 Gemini 应用中上线，使 AI 图像生成能够基于真实生活语境，输出更贴合用户个人故事的定制化结果。

研究团队提出生成式细化网络（GRN），通过分层二值量化（HBQ）突破自回归模型的离散化瓶颈，结合全局细化机制与熵引导采样策略，实现类似人类绘画的渐进式修正与复杂度自适应生成。该模型在ImageNet基准上创下图像重建0.56 rFID与类别条件生成1.81 gFID的新纪录，并成功扩展至文本到图像及视频生成任务。相关模型与代码已全面开源。

V8.1 Alpha 版本正式发布，接替此前测试一个月的 V8.0 模型。该版本在视觉风格上回归 V7 的一致性审美，并针对 Moodboards 和 srefs 功能进行优化。此次迭代在保持熟悉交互体验的同时，进一步完善了模型的视觉生成能力。

Photoroom团队在Hugging Face上发布博客，宣布成功在24小时内完成一个文本到图像模型的训练。这一突破将此类模型的典型训练周期从数周大幅缩短至仅一天。实现的关键在于采用了名为PRX的高效训练方法，该方法优化了计算资源分配与数据处理流程。此举显著降低了模型训练的时间与成本门槛，为快速迭代和部署高质量的图像生成AI模型提供了新的可能性。

字节跳动发布 Seedream 5.0 Lite 图像生成模型，采用多模态统一架构，跨模态理解与推理能力显著提升，Elo 评分超越前代 4.5 版本。模型首次引入实时检索增强能力，可联网获取最新知识，突破训练数据时间限制。内置丰富世界知识库，在信息可视化、视觉推理、复杂多主体生成等场景表现突出，能根据模糊指令精准修图，支持风格迁移与多步逻辑推理。目前已上线即梦 AI、火山方舟体验中心及豆包内测。

小红书智能创作团队开源 FireRed-Image-Edit 图像编辑模型，权重采用 Apache 2.0 协议，并在 ImgEdit、GEdit 和自建 REDEdit-Bench 上取得开源模型中的最高分，如 ImgEdit_O 4.56。

百灵全模态大模型Ming-flash-omni-2.0正式发布。该模型基于MoE架构，在视觉、语音、图像等全模态能力上实现代际跃迁，其核心突破在于一个统一模型同时具备了强大的通用泛化能力和特定模态的专家级表现。具体特色包括：视觉百科能精准识别万物并关联知识；语音生成可控制情绪、方言，提供百种音色，并能统一生成语音、音效与背景音乐；图像创作可实现氛围重构、场景合成与智能擦除。技术层面通过亿级数据细粒度感知、知识对齐及超低帧率音频表征等创新实现性能飞跃。模型已在多个平台开源。

Photoroom团队通过消融研究，总结了文本到图像模型训练的关键发现：混合高质量与多样化数据、在训练中后期引入强数据增强，以及调整无分类器引导的丢弃率，能有效优化模型性能。这些结论为Stable Diffusion等模型的训练提供了实用指导。

智谱联合华为开源多模态生成模型GLM-Image，为首款基于国产昇腾芯片与MindSpore框架全流程训练的SOTA模型。采用9B自回归与7B扩散解码器混合架构，在CVTG-2K复杂视觉文字生成和LongText-Bench长文本渲染榜单均位列开源第一，支持1024×1024至2048×2048多分辨率生成。API调用成本0.1元/张，代码已开源至GitHub、Hugging Face及魔搭社区。

Niji V7 图像模型正式上线。该版本专为亚洲及动漫场景优化，改进了动漫连贯性、提示词理解能力、文字渲染效果及 sref 性能。

Together AI 将 Black Forest Labs 的 FLUX.2 图像模型接入 Model Library，面向 100 万以上开发者提供多参考输入、hex 色号颜色匹配和文本渲染能力。

Hugging Face 的 Diffusers 库正式集成 Black Forest Labs 开发的 FLUX-2 文生图模型。该模型拥有 120 亿参数，采用多模态扩散 Transformer 架构，在图像质量、提示遵循和分辨率方面表现优异，支持生成 1024x1024 像素图像。此次集成让开发者能通过 Diffusers API 便捷使用这一先进模型。

Google DeepMind 发布 Nano Banana Pro 图像生成模型，基于 Gemini 3 Pro 构建，支持多语言可读文本直接渲染，可结合 Google Search 实时信息生成信息图表。该模型支持 14 张图像融合，保持 5 个人物形象一致性，输出 4K 分辨率。现已集成至 Gemini 应用、Google Ads、Google AI Studio 等产品，所有生成内容均嵌入 SynthID 水印以确保透明度。

Together AI 宣布扩展模型库，通过 Runware 合作集成 20 多个视频模型（含 OpenAI Sora 2、Google Veo 3、Minimax Hailuo、Kling v2.1）和 15 个以上图像模型（含 Google Imagen 4.0 Ultra、Nano Banana、Qwen Image），共 40 多个。

Modal 团队复盘其 QArt codes 服务的工程过程，通过 evals 和推理时算力扩展将二维码扫描率提升到 95% 的 SLO，同时改善美观度并将 p95 端到端延迟控制在 20 秒内。

发布新一代生成式媒体模型 Veo 3 与 Imagen 4，以及专为电影制作打造的工具 Flow，支持更高质量的视频与图像生成及专业影视创作流程。

Grok 推出图像生成功能，支持通过自然语言指令直接创建图片。该功能已向 X 平台用户开放，标志着这款 AI 助手从文本交互向多模态能力扩展，用户可在对话中直接生成并编辑视觉内容。