搜索
这两天，Arena 平台上突然出现一款神秘的图像生成模型，代号「mona-lisa-1」。有人让该模型「生成一张你的创造者的图片」，模型点名 OpenAI 和奥特曼。且有网友用 OpenAI 验证工具检测生成图片后，确认图片中带有 OpenAI 的 SynthID 水印。
只做一次生成器前向，就能得到一张图，这是一步生成追求的效率。但想把采样步数降到 1，难题其实在训练端：怎样用足够稳定、简单的监督信号，让生成分布靠近真实分布？
近日，浙江大学 OmniAI 团队在 《Show, Don’t Tell: Evaluating Spatial Cognition in Generative Pixels Rather Than LLM Text》 中提出 ProVisE，让图像生成模型直接在图中回答空间问题，并将视觉答案还原为原 benchmark 可以评分的结构化预测。
再牛的大模型，也要放到行业面前公开露个面，才算真交卷。
最近，一篇来自 UIUC 与哈佛大学的论文，试图把这块最后的拼图补上。作者给这个新范式起了个名字，叫 Explorative Modeling（探索式建模），模型简称 XM。它的想法简单到近乎朴素，却指向一个大胆的结论：生成模型除了参数和数据，其实还有第三根可以放大的轴。
昨天，谷歌把最新图像生成模型Nano Banana 2正式塞进了谷歌地球网页版。谁能想到，一觉醒来，新功能被玩坏，谷歌紧急撤回了这一功能！结果效果太逼真，被专家强烈反对后，谷歌紧急撤回了新功能，「加强防护措施」后再次发布。
今天，我们正式发布 MiniMax H3。这是一款通用的全模态生成模型，支持对文本、图像、视频、声音组成的多模态上下文的统一理解能力、能够输出具备原生双声道的音视频，最高可支持 15s 2K 分辨率。
近几年，多模态生成模型进步很快。一句指令就能生成图片、视频、音频、网页、UI、分镜，甚至整套演示文稿。只看成品，创作门槛似乎已经大幅降低。
给图像生成模型一张人物参考图，它大概率能抓住身份特征。
今天，阿里通义团队发布了他们第三代图像生成模型：Qwen-Image-3.0 。官方博客用了一个字来概括这一代的核心进步，「实」。不是好看，不是炫技，是「实」。内容丰实、细节真实、知识厚实。