Black Forest Labs 访谈:Andreas Blattmann 与 Dustin Podell 谈如何构建视觉智能
Black Forest Labs 的 Andreas Blattmann 与 Dustin Podell 在访谈中解释了 FLUX 3 联合训练图像、视频和声音的思路,以及向视频和世界模型发展的方向。
Black Forest Labs 的 Andreas Blattmann 与 Dustin Podell 在访谈中解释了 FLUX 3 联合训练图像、视频和声音的思路,以及向视频和世界模型发展的方向。
苹果在今天发布的 iOS 27.3、iPadOS 27.3 和 macOS 27.3 测试版中,测试按设备设置 Siri AI 与 Apple Intelligence 部分功能的每日使用限额。
Anthropic 的 Claude Fable 5.2 能用代码在虚拟画布上逐笔作画,模拟笔刷纹理、颜料覆盖和失误修正。Anthropic 开发者 Jake Eaton 展示的停车场购物车画作使用约 700,000 次模拟笔触,据他介绍,每幅作品由 1,000 至 2,000 行 Python 程序驱动画具模拟引擎,不使用外部图像模型或预渲染、描摹的源图像。
Seedream 5.5 在字节官方商业场景测试中的一次出图整体可用率约为 18%,高于上一代的约 11%,文章据此分析局部改图、素材导出与模型选型。新模型尚未进入 Artificial Analysis 榜单,旧版 Seedream 5.0 Pro 在文生图榜排第 18、图像编辑榜排第 11,不能直接用旧版排名判断新版表现。
Phota Labs 推出免费 iOS 应用,通过 AI 自动调整日常照片的构图、视角和摄影风格,力求保留人物的自然外貌。公司称其自研个性化技术能学习人物身份特征,编辑后的照片带有标识 AI 修改的隐形水印。公司去年获得 a16z 领投的 $5.6 million 种子轮融资,计划探索免费增值模式并推出 Android 应用。
Adobe 在年度 Max 大会上公布多项实验性 AI 工具:Project Sight Span 可将任意平面图像转为可导航的 3D 场景并从新视角重新取景。
一个以 SimCity 和 Isometric NYC 风格制作的瓦伦西亚等距像素地图上线,每栋建筑都是按同一俯视角逐块绘制的真实建筑,覆盖从 huerta 到 Albufera 的整个市域。地图由固定等距相机渲染真实 3D 城市数据,再用像素艺术风格图像模型逐块重绘,保证相邻瓦片无缝衔接。支持拖拽、缩放、随机跳转、全屏、搜索和地址栏分享当前视图。
Google 在 Adobe MAX 上宣布扩大与 Adobe 的合作,把 Adobe 的创意与生产力工具直接接入 Google 日常应用,同时将 Google 前沿 AI 模型引入 Adobe 应用。
Adobe 在今天的 Max 活动上宣布更新 Photoshop、Lightroom 和 Premiere,简化视频对象移除、图像细节修复和皮肤瑕疵处理。
lexandstuff 实测 Claude Code 搭配 Fable 5.2,从侄子的设计图和已有游戏代码出发,一次执行生成了可玩的 12 关横版动作游戏。模型重写了大部分代码,生成约 175 张图片和 140 段音频,并编写机器人在无头浏览器中跑完十二关、检查截图。
推荐理由:Fable 5.2 编写机器人在无头浏览器中跑完十二关并检查截图,将自动试玩与画面检查用于生成游戏的基础测试。
Instagram 推出 Effect Builder,让用户通过 AI 提示词生成自定义 Stories 滤镜,目前面向美国年满 18 岁的居民开放。用户可附加风格参考图、上传照片预览并通过后续提示词修改效果;作者实测发现,AI 扩写提示词后生成的滤镜与原始简短提示词的结果几乎相同。滤镜可直接提交至 Instagram,通过安全审核后供其他用户使用,并在使用时链接回创作者的个人主页。
字节跳动推出面向专业制作流程的图像生成模型 Seedream 5.5,称最多支持 100 轮编辑,未修改区域保持像素级稳定且无色偏。模型支持原生生成透明背景 RGBA 图像,字节跳动还称其光照、材质、皮肤纹理和密集小字表现有所改善。模型正通过即梦、豆包、Doubao Work 和火山引擎 Ark 逐步推出,并计划提供 Pro 版本。
Disney 与 Adobe 宣布多年合作,将通过 Adobe Firefly Foundry 为 Disney 品牌打造定制 AI 模型。模型将学习 Disney 角色、场景和视觉风格相关知识,目标是生成商业使用安全、可用于制作的内容,Disney 也将提前获得面向主题乐园、邮轮和 ESPN 内容的新技术。
迪士尼与 Adobe 宣布多年合作,将开发由艺术家主导的专有生成式 AI 模型,支持迪士尼的制作流程。双方将通过 Adobe Firefly Foundry,利用迪士尼角色属性、环境和视觉风格等知识定制模型,目标是生成商业安全、可用于制作的内容。Adobe 还将让迪士尼提前使用其新技术,应用范围涵盖主题乐园、邮轮业务、Walt Disney Studios 创意工作流及 ESPN 内容。
游戏制作中的 AI 提速难以解决方向反复的问题,在方向不稳定时还可能增加转向时需要废弃的在制工作。文章以 Skull and Bones 多次调整核心设计为例,区分可丢弃的前期原型与已有复杂依赖的正式生产,并指出生成原型直接进入生产会留下难以追溯设计理由的技术债。文章建议衡量返工率、从提出问题到记录决策的延迟,以及决策被重新打开前的持续时间,避免仅用素材生成速度衡量 AI 投入效果。
OpenAI 在 ChatGPT、Codex 和 API 推出 Images 2.6,图像生成速度提升 50%,支持 GIF 动画并改善编辑中的细节一致性。
推荐理由:OpenAI 为 Images 2.6 增加独立的复杂度参数,让快速编辑与多约束场景能分别调整规划投入和画面质量。
ChatGPT 现可借助 OpenAI 新模型 Images 2.6,从文本提示词或上传的照片生成动态 GIF。该功能正向网页、桌面和移动端的所有 ChatGPT 与 Codex 用户逐步开放,支持调整动画速度及编辑单帧。
ChatGPT 现可通过提示词或上传照片生成 GIF 动图,支持调整动画速度、编辑单帧并分享。该功能随 OpenAI 的 Images 2.6 推出,更新还加快了图像生成,正向网页、桌面和移动端的所有 ChatGPT 与 Codex 用户开放。OpenAI 还在 API 中推出 GPT-Image-2.6 Flare 和 Sunburst,用于更快、更高质量的图像生成。
社交平台 X、Threads 和 Bluesky 上流传的 Jeff Bezos 与 Jason Statham 植发照片均为伪造,经 Google 反向图片搜索确认,原图分别拍摄于 2023 年和 2011 年。测试的图片均未检测到 Content Credentials 或 SynthID 标记,无法确认是否由 AI 工具生成。
Google 将实验性 AI 应用 Dreambeans 推向印度,这是其首个美国以外市场,支持包括印地语、旁遮普语、泰米尔语在内的 13 种本地语言。该应用接入 Calendar、Gemini、Gmail、Photos、Search 和 YouTube 等 Google 服务,无需提示词即可生成个性化图文故事,近期还加入 Veo 模型为部分故事生成动画。
Figma Weave 将图像与视频的生成、编辑串联成可调整和复用的节点工作流,支持团队共同探索与迭代创意。用户可通过分支比较不同提示词和 AI 模型的结果,并将工作流封装为 Weave tool,让同事上传素材后直接运行。Figma node 可连接 Figma Design 中的画框,原始画框的修改会同步到 Weave 中的关联节点。
OpenMOSS 发布开源图像生成模型 MOSS-Image,以 5B 单流 DiT 支持中英文长文本渲染、最长约 4K token 提示词及可编辑 JSON Layout。
10 月 24 日巴塞罗那约 20 个与匿名平台 Blocus 关联的 TikTok 账号以"改善公立学校"为名号召集会,扫码后却在私聊中被引导去抢劫,当晚 130 名年轻人被捕(76 名未成年)、14 名警察受伤。
Apple 宣布更新 Apple Creator Studio,Final Cut Pro 集成 MotionVFX,Keynote、Pages、Numbers 新增测试版 AI 助手与 MCP 支持。
一位经营鬼屋二十余年的从业者指出,AI 生成图像正渗入鬼屋的宣传海报、场景道具和周边商品,他今年到访的第一家鬼屋就贴出了低质量 AI 海报,页面角落还留着 Gemini 的水印。
Runway 发布 App Studio,用户可用自然语言构建带独立界面的创意应用,调用图像、视频和音频模型及 Brand Kits、Workflows 等资源。
Google 邀请 15 名 Google Student Ambassadors 分享他们最常用的 Gemini 功能,涵盖 Study notebooks、Gemini Live、Guided Learning、学习指南生成、自定义测验、无限上传、Audio Overviews、Nano Banana 图像生成和 Chrome 中的 Gemini。
苹果发布新款 iPad mini,搭载 A20 Pro 芯片,配备 8.5 英寸 OLED 屏,峰值亮度较上代提升 2 倍以上,并新增 IP67 防尘抗水。新品 10 月 28 日起在 36 个国家和地区开启预购,11 月 6 日到货,Wi-Fi 版起售价 699 美元,提供 128GB、256GB、512GB 三种容量。
Canva 发布首款自研图像生成模型 Canva Craft,所有用户均可通过 Dream Lab 和公开 API 使用。Canva 称,该模型主要基于数百万设计模板从零训练,先规划构图、比例和文字,再生成最高 2K 分辨率、支持超过 30 种宽高比的图像,可渲染 55 种语言的文字,结果可通过 Magic Layers 拆分为可编辑图层。
Canva 推出首款 AI 图像模型 Canva Craft,采用先规划设计、再生成图像的两阶段架构,现已向全球所有用户开放。模型支持最高 2K 分辨率和超过 30 种宽高比,Canva 称该架构可提升复杂图像中文字的可读性和物体放置的准确性。
推荐理由:Canva Craft 使用平台内容库中的人工模板训练,训练素材涵盖社交帖子、演示文稿、信息图和菜单等具体设计场景。
Canva 发布首个图像生成模型 Canva Craft,已向平台所有用户开放,可从 Dream Lab 标签页访问。模型先解析提示词并规划布局,再生成最高 2K、支持 30 种宽高比的图像;Canva 称其支持清晰文字和不改变其他部分的精确编辑。
Steam Next Fest 上出现大量 AI 生成或 AI 辅助的游戏,用户 ScalesGhost 在 Steam 子版块发帖,呼吁 Valve 增加过滤 AI 生成内容的选项。Steam 已要求开发者披露 AI 内容,但需新增"AI"标签才能实现筛选。另有用户称 AI "毁了 Next Fest",希望平台出台更严格的提交规范。
Google 为 Gemini 推出小企业专用商业入口、营销与财务技能及新的应用连接,将在未来几天向全球所有 Gemini 应用用户逐步开放。企业可上传网站、品牌素材包、字体或配色,结合 Nano Banana 2.1 生成视觉素材,Gemini 会保留品牌风格,无需反复上传规范。
推荐理由:Gemini 将品牌素材生成、财务分析和商业应用连接集中到小企业入口,减少经营者重复上传品牌规范和自行解读财务数字的工作。
Adobe 宣布 iOS、iPadOS 和 Android 版 Lightroom 移动端可用生成式 AI 一键睁开照片中闭着的眼睛,检测到人物闭眼时会自动显示 Open Eyes 快捷操作。该功能会参考你 Lightroom 图库中同一人物的其他照片,让替换后的眼睛在颜色、大小和形状上更匹配。免费版用户可试用两次,之后需订阅包含更多 AI 额度的 Adobe Creative Cloud 计划。
造型师 Sydney Bordonaro 用 Gemini 为分散各地的职业运动员客户预览整套穿搭:上传衣物图片即可合成上身效果图,再通过对话单独替换靴子、外套等单品。她还会把成图发给客户争取确认,并在活动前拍下衣物污渍照片,让 Gemini 给出用现场物品处理的步骤。
Black Forest Labs 发布 5.6B 参数的开放权重模型 FLUX 3 Image Klein,支持文生图、图像编辑及最多 10 张参考图的多参考生成。
推荐理由:FLUX 3 Image Klein 通过 INT8 量化支持低至 8GB 显存的设备运行,降低本地图像生成与编辑的硬件门槛。
Black Forest Labs FLUX.3 Image Klein 发布并同步支持 Diffusers,在同一模型中提供文生图、多参考图生图与边界框布局控制。
推荐理由:FLUX.3 用归一化边界框指定生成区域及参考图内容的移动位置,让布局指令在不同图像尺寸下保持一致。
Google 发布图像生成与编辑模型 Nano Banana 2.1,替代 Nano Banana 2,并将图像价格降低约一半。1K 图像由 6.70 cents 降至 3.36 cents,4K 图像由 15.10 cents 降至 7.56 cents;Google 称新版改善文字渲染和角色一致性,最多处理 14 张参考图像,保持 4 个角色和 10 个物体一致。
推荐理由:Google 将 Nano Banana 2.1 的图像价格降低约一半,文中实测仍显示 Pro 在色彩和比例上更自然。
OpenAI 将于本月晚些时候面向美国 ChatGPT 用户测试展示广告,在图像生成等待界面以轮播或商品图片行展示。广告会明确标注,并与生成图片分隔;OpenAI 同时扩展转化归因、地域实验和品牌安全工具,部分广告主可设置否定关键词。
推荐理由:OpenAI 将在 ChatGPT 图像生成等待界面测试商品广告,把等待时段变成与生成图片分隔的商业展示空间。
Mistral AI 推出新版 le Chat,上线 iOS、Android 应用及 Pro、Team 服务,并开放 Enterprise 私有预览。新版提供代码解释器、文档分析和图像生成,Flash Answers 向所有用户开放预览,官方称速度可达 ~1000 words / sec;多数功能免费,Pro 起价为 $14.99 per month。
推荐理由:Mistral AI 为 le Chat 增加移动端和企业部署选项,让个人日常使用与企业自有环境中的工作接入有了不同入口。