模思智能开源MOSS-Image生图模型海外爆火
模思智能和OpenMOSS团队开源的MOSS-Image生图模型上线4天在海外社区收获130万次下载，登顶Hugging Face文生图趋势榜。该模型基于5B参数DiT主干，重点优化了中英文文字渲染、布局控制和复杂长Prompt支持能力，在LLTB评测中文本覆盖率达96.3%。
推荐理由：国产5B模型靠自然画风和文字渲染能力在海外爆火，社区4天开发出多种衍生版本，验证了小模型也能解决复杂设计需求。
技术方向
图像生成 最新动态
AI 画图的最前线：文生图模型迭代、图像编辑能力与创作工具生态的全部动态。
17 条精选近 30 天 14 条共收录 222 条
更新
图像生成的精选
量子位精选AI 评分8181
雷锋网精选AI 评分8181 月之暗面发布Kimi K3.1，成本仅为GPT-6 Astra的1/14
月之暗面即将发布Kimi K3.1模型，在3D图形生成、视觉推理和前端代码领域表现突出。该模型在开源3D图形库Three.js上表现出色，成本仅为Kimi K3的70%，Token效率全面升级。实测显示，Kimi K3.1能在15分钟内交付工业级可交互3D资产，成本仅为GPT-6 Astra的约1/14，在视觉领域展现出不输于美国顶尖闭源模型的实力。
推荐理由：15分钟交付工业级3D资产，成本仅为GPT-6 Astra的1/14，国产模型在视觉领域实现突破性进展。
HuggingFace Daily Papers精选AI 评分6565 WeVisOne-VL: 从目标到像素的统一视觉感知
WeVisOne-VL 是一种强大的视觉语言模型，通过结构化下一词预测统一了目标级和像素级感知能力。该模型支持多种视觉任务，包括目标检测、指代定位、计数、OCR、分割和matting，能够在用户指定的任何粒度上进行定位，从点到框再到mask和alpha mattes。
推荐理由：通过结构化下一词预测统一目标级与像素级感知，WeVisOne-VL 在30多个基准测试中领先，为VLMs迈向可靠感知系统提供新路径。
Hugging Face Blog精选AI 评分7575 Hugging Face 发布 OlmoEarth v1.3 卫星嵌入模型
Hugging Face 发布 OlmoEarth v1.3 卫星嵌入模型，提供预计算的全球年度嵌入向量（10米分辨率，64和128维度），并推出基于浏览器的 OlmoEarth Embeddings Explorer 工具。该模型在27项评估中超越 AlphaEarth Foundations 和 Tessera v2，训练成本仅为前版本的53%，碳排放减少50%。
推荐理由：预计算全球卫星嵌入向量让遥感分析从GPU依赖变成轻量级任务，效率提升的同时降低了技术门槛。
Google DeepMind精选AI 评分6565 Google DeepMind 发布全球森林类型地图 ForTy 2020
Google DeepMind 与合作伙伴发布 Forest Typology (ForTy) 2020 全球地图，以10米分辨率将地球森林分为六类，并跟踪2017-2025年变化。该地图准确率达90%，帮助区分自然林、人工林和农场，支持欧盟无毁林产品监管。
推荐理由：10米级森林类型地图让自然林与人工林首次可区分，为监管提供精准基线，但精度与成本平衡仍是挑战。
arXiv · cs.RO精选AI 评分6565 Joints, Camera, Action! 协同生成任意骨骼结构的3D运动与视频
Noam Rotstein提出了一种新模型，能够协同生成任意骨骼结构的3D运动与视频，并自动定位相机位置将运动放置到3D场景中。该模型通过分离运动模型与视频模型，使用交叉注意力层连接，支持从文本生成多样化骨骼动画，并能将视频转换为骨骼运动，实现关键帧控制。研究团队使用生成式视频编辑器创建了近20万训练对，评估显示该方法比视频优先管道更忠实于文本描述，且运动能响应周围场景。
推荐理由：通过分离运动模型与视频模型，实现了任意骨骼结构的3D运动与视频的协同生成，解决了现有方法仅支持人类骨骼或参数量过大的问题。
HuggingFace Daily Papers精选AI 评分6565 SolarRenderer: 少步生成式参考渲染
研究人员提出SolarRenderer，一种结构条件视频渲染器，通过冻结MiniMax-H3 33B主干模型并使用两个轻量级LoRA适配器，实现了四步渲染，比50步采样快12.3倍。该模型在136K帧对齐语料上训练，可在16种结构表示上达到最先进结果，并能泛化到11种未见表示，包括姿态骨架、绘图和点云。
推荐理由：四步渲染比传统方法快12.3倍，同时保持对11种新结构表示的泛化能力，为实时视频生成开辟新路径。
量子位精选AI 评分7777 Meshy推出Meshy Edit：基于全新自研AI模型，一句指令实现3D模型局部编辑
Meshy发布局部编辑功能Meshy Edit，基于全新自研AI模型，用户圈选3D模型区域后用一句话描述改动，约一分钟生成新模型，未选中区域保持原样。该功能已向全部注册用户开放，每次编辑消耗20积分。
推荐理由：圈选区域加一句话描述就能修改3D模型，把专业建模门槛降到分钟级，但精度与成本控制仍是关键。
HuggingFace Daily Papers精选AI 评分6565 Text-to-Image Generative Modeling Without Language Pretraining
研究团队提出Halcyon模型，一种完全从头开始训练的早期融合多模态自回归模型，在GPIC数据集上预训练。Halcyon-0.52B和Halcyon-1.6B模型在文本到图像生成任务上分别以更少的预训练计算量超越了现有模型，实验表明文本预训练对T2I生成没有明显帮助。代码和模型已公开。
推荐理由：Halcyon模型证明无需大规模语言预训练也能实现高质量文本到图像生成，挑战了当前主流技术范式。
Hugging Face Blog精选AI 评分8080 Hugging Face 发布 FLUX.3 Image Klein 模型
Black Forest Labs FLUX.3 Image Klein 模型已在 Hugging Face Diffusers 上开源，支持文本生成图像、多参考图像到图像转换以及边界框布局控制功能。蒸馏检查点可在 H100 上约 2 秒内生成 1024×1024 图像，同时提供量化版本和 LoRA 微调脚本。
推荐理由：原文提供了模型新功能和开源实现细节，读者可据此评估其在图像生成领域的应用潜力。
Google Research精选AI 评分7575 Google 发布地理空间推理智能体，助力解决地球最大挑战
Google 发布地理空间推理智能体，连接地球 AI 基础模型和行星规模数据，支持多步推理和自主预测模型训练。该智能体已在疾病爆发调查、灾害准备和清洁能源筛选等领域与 WHO、GiveDirectly 等组织合作测试，将原本需要数周的分析工作缩短至几分钟。
推荐理由：原文提供了地理空间智能体的技术细节和实际应用案例，展示了其在解决全球性挑战中的价值。
钛媒体精选AI 评分8585 好莱坞老炮集体投奔AI原生影视公司Utopai Studios
Utopai Studios获10亿美元估值，吸引好莱坞一线主创合作，构建AI原生影视生产体系。该公司基于MiniMax模型定制Utopai X，在文生视频评测中全球第二，并推出三部电影项目，探索AI在影视制作中的不同应用方式。
推荐理由：原文展示了AI影视公司如何与传统影视工业融合，构建完整制作体系。
NVIDIA Blog精选AI 评分6565 NVIDIA博客：AI如何助力乳腺癌筛查与治疗
NVIDIA博客介绍了多家AI初创公司如何利用NVIDIA技术解决乳腺癌筛查、诊断和治疗中的关键问题。iSono Health开发了FDA批准的ATUSA平台，通过3D超声成像提高检测灵敏度；Whiterabbit.ai开发了AI辅助乳腺癌筛查工具；Ataraxis AI利用AI预测患者对治疗的反应；SimBioSys则通过3D可视化提供肿瘤见解。
推荐理由：原文介绍了多家AI初创公司如何利用NVIDIA技术解决乳腺癌筛查、诊断和治疗中的关键问题。
Google Research精选AI 评分7373 Google Research发布Diffusion Controller统一AI图像生成框架
Google Research推出Diffusion Controller框架，通过轻量级网络实现AI图像生成的精确控制，在保持图像质量的同时满足用户特定需求。该框架在测试中胜过LoRA等现有方法，实现了90%的胜率，并支持对闭源模型的控制。
推荐理由：原文提供了统一控制AI图像生成的新框架，解决了用户意图与图像质量之间的平衡问题。
Google Research精选AI 评分7575 Google Research 推出 AI 视频联合导演框架实现连贯长视频生成
Google Research 发布了 AI 视频联合导演框架，通过多智能体架构解决长视频生成中的语义漂移和级联失败问题。该框架包括 Co-Director、CANVAS、A²RD 和 VQQA 四个组件，能够在分钟级视频中保持角色和环境的一致性，并自动优化视觉质量。
推荐理由：原文提出了AI视频联合导演框架，解决了长视频生成中的语义漂移和级联失败问题。
Google DeepMind精选AI 评分7676 Google DeepMind 发布 Gemini 3.8 Live with Live Avatar
Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，通过实时视频生成和语音结合，为企业提供具有视觉形象的对话体验，支持多语言同步和自定义头像。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Berkeley AI Research精选AI 评分6565 信息驱动的成像系统设计
加州大学伯克利分校研究团队提出了一种基于信息内容的成像系统评估与优化框架IDEAL，可直接从测量数据量化成像系统性能，无需重建算法。该框架在彩色摄影、射电天文、无透镜成像和显微镜四个领域验证了信息估计与下游任务性能的相关性，并能优化系统参数达到与端到端方法相当的效果。
推荐理由：原文提出了基于信息内容的成像系统评估与优化框架，可直接应用于多种成像领域。