跳到正文

多模态

文本之外的能力:视觉理解、图文混合、音视频输入输出的模型与产品进展。

592 条精选相关主题图像生成AI 视频语音与音频

最新精选

第 181–200 条 · 共 592 条

7月8日星期三

AI HOT 精选

字节跳动发布 Seedream 5.0 Pro,能直接生成信息图,还能像修图软件一样做像素级编辑

这个模型把“生成图片”和“专业设计”之间的沟填上了不少。它最狠的地方是能直接生成高密度信息图,比如把时间轴、柱状图、饼图和实景融合在一张图里,文字拼写和排版都挺靠谱。编辑能力也上了一个台阶,支持点选、圈选、涂鸦来局部改色、换材质,甚至能把一张海报拆成十几个独立图层,被挡住的背景也能自动补全。

推荐理由:字节跳动的 Seedream 5.0 Pro 支持局部编辑和海报图层拆分,将生成后的改色、换材质与背景补全纳入同一工具的设计流程。

7月2日星期四

Ben's Bites

Fable 5 重新上线,同时来了个新的 Claude Sonnet 5

Anthropic 把 Fable 5 又放出来了,付费用户能用,但只到 7 月 7 号,而且用量上限砍半。官方说这次加了更强的安全护栏。Scale 的跑分显示它能完成 16% 的远程工作任务,是 Opus 4.8 的两倍。

推荐理由:Anthropic 同时放出 Fable 5 的限时回归和 Sonnet 5,两条消息叠在一起。Scale 的跑分给了可对比的硬数字,不是纯宣传稿。Fable 5 的 16% 任务完成率虽然翻倍但绝对值还低,所以重要性没推到 90 以上。

Latent Space

AIEWF 第三天:自动研究站上舞台,但讲者们对全自动泼了冷水

AI 工程师世界博览会第三天,主题是“自动研究”——让 AI 智能体自己维护和改进系统。Introspection 的 Roland Gavrilescu 把它描述成一个“外循环”,让智能体去研究和维护内循环。

推荐理由:AI 工程师世界博览会第三天聚焦自动研究,Introspection 的 Roland Gavrilescu 将其描述为让智能体维护内循环的外循环,而多位讲者对全自动路径提出保留。

6月26日星期五

AI HOT 精选

博主小互开源了个人IP配图工具,自带31个原创角色和一套自动配图流程

小互把给自己文章自动配图的技能打包开源了,叫“小互IP Studio”。工具里带了31个原创角色——15个是手绘线稿风格的人物,另外16个是谐音梗做成的meme形象。工作流程是:Agent先读文章,自己判断该配情绪图、示意图还是四格漫画,然后生成图片,再自己检查,不满意会返工重来。

推荐理由:小互把给自己文章自动配图的技能开源为小互IP Studio,含31个原创角色,Agent会先判断配图类型再生成并自检返工,可迁移的是这套自动配图流程。

Hacker News 首页

AI 做的儿童百科成了身体恐怖片,我买了本亚马逊畅销第一来实测

作者 lcamtuf 买了本 2026 年中出版的 AI 生成儿童百科全书,这本书在亚马逊拿过分类第一。翻开之后插图全是身体恐怖:猫多长了腿、动物和树融成一团肉块、倒影里的人伸手要抓你。他认为这类书能卖是因为买的人不读,封面骗过了送礼的亲戚朋友,而且做百科没有小说那种版权风险。文章没检查文字内容有没有事实错误,但光看图已经够吓人了。

推荐理由:lcamtuf 亲自买了本亚马逊分类第一的 AI 儿童百科,把插图里的身体恐怖一页页拍了下来。有具体例子,有销售机制分析,不是空喊“AI 质量不行”。扣分是因为没查文字内容有没有事实错误,而且文章本身是个人博客,验证力度弱。

6月25日星期四

AI HOT 精选

Gemini 3.5 Flash 现在能直接操作电脑界面了

Google 给 Gemini 3.5 Flash 加了一个内置的“操作电脑”工具,模型可以自己截图、点按钮、填表单,去操作网页和桌面软件界面。这跟 Anthropic 和 OpenAI 之前做的方向一样,都是把屏幕控制能力直接做进模型里。

推荐理由:Google 为 Gemini 3.5 Flash 内置了操作电脑界面的工具,模型能自行截图、点击和填表,与 Anthropic、OpenAI 的屏幕控制路线方向一致。

6月24日星期三

AI HOT 精选

ChatGPT 语音能边听边说了,新模型 Bidi 1 开始灰度测试

部分用户已经在 ChatGPT 网页版和 App 的模型选择器里看到了 Bidi 1,和标准语音、高级语音并列,选中后语音气泡会变黄。它最大的变化是支持全双工:模型在说话的同时还能继续听你讲话,中途打断也能立刻响应。测试里有人让它从 1 数到 10,数到一半打断说“倒数”,它马上照做。OpenAI 还没正式公布上线时间,有媒体猜本周可能会扩大测试范围。

推荐理由:OpenAI 在 ChatGPT 网页版和 App 灰度测试双向语音模型 Bidi 1,模型说话时仍能持续收音并即时响应打断,与现有标准语音、高级语音形成对照。

6月23日星期二

FT · 科技

OpenAI 生图翻车,给 Getty Images 打了一个价值连城的广告

OpenAI 的图像模型用 Shutterstock 的图库训练,结果生成的照片里意外带上了 Getty Images 的水印。这个乌龙成了 Getty 最好的广告:高质量授权内容不是合成数据能替代的。AI 公司越依赖廉价图库,Getty 手里那些独家、可商用的稀缺内容就越值钱。

推荐理由:OpenAI 图像模型用 Shutterstock 图库训练,生成照片却带上 Getty Images 水印,这一乌龙让授权图库的稀缺性成为 AI 公司绕不开的成本项。

AI HOT 精选

字节跳动发布 Seed2.1 系列模型,重点提升让模型干活时的交付稳定性

Seed2.1 系列模型已在豆包和 TRAE 上线,主打真实工作场景,而不是刷榜。在通用 Agent 任务上,Seed2.1 Pro 在 Agents' Last Exam 里排第一梯队,在测手机操作的 MobileWorld 上拿了最高分,跨工具任务的平均步数减少了 16%。

推荐理由:字节跳动发布 Seed2.1 系列模型并已在豆包和 TRAE 上线,主打真实工作场景,跨工具任务平均步数减少 16%,呈现大模型在 Agent 交付稳定性上的进展。

AI HOT 精选

Runway 把视频编辑模型 Aleph 2.0 塞进了 Figma Weave 画布里

Aleph 2.0 现在能在 Figma Weave 里直接用了。用法很简单:从视频里抽一帧出来,在 Weave 里重新画个风格或者换个产品,标上时间点,Aleph 2.0 就会自动把这一帧的改动同步到视频里所有出现这个主体的画面上,其他没让你改的地方保持原样。它支持最长 30 秒的 1080p 视频,多镜头片段也能一次处理,不用一帧一帧修。

推荐理由:Runway 将视频编辑模型 Aleph 2.0 集成进 Figma Weave,在画布里改一帧即可同步到该主体出现的所有画面,支持 30 秒 1080p 多镜头片段。

6月21日星期日

Hacker News 首页

旧金山一家代理商把畅销书整本搬上网,用 AI 配图后当成自己的作品

John Koenig 花了十几年做的《The Dictionary of Obscure Sorrows》——一本给说不清的情绪造词的畅销书——被旧金山代理商 Qontour 整本复制到了一个新网站上。

推荐理由:旧金山代理商 Qontour 把 John Koenig 写了十几年的畅销书整本复制到新网站,并用 AI 配图后署上自己的名字,这条记录了一次完整的作品被搬运和重新包装的过程。

6月19日星期五

Computing Life · Share · 鸭哥调研

Midjourney 不拿风投,用生图订阅的钱造了一台全身超声扫描仪

Midjourney 在旧金山发布了一台全身超声 CT 扫描仪。人站在装满水的环形水槽里,40 颗 Butterfly 超声芯片从四面八方发射声波,21 台服务器靠 2 PFLOPS 算力重建出三维截面图。这台机器扫不了大脑、肺和肠道,定位是体成分分析,走 FDA 二类器械审批,第一家店不是医院,是旧金山 Union Square 的一家 spa。

推荐理由:Midjourney 用生图订阅收入造出全身超声扫描仪,40 颗超声芯片配合 2 PFLOPS 算力重建三维截面图,定位体成分分析并走 FDA 二类器械审批,首家门店落在旧金山一家 spa。

6月18日星期四

AI HOT 精选

Adobe 在 Photoshop、Premiere 等主力软件里上线 AI 助手公测,专门处理重复性杂活

Adobe 把它的“创意智能体”塞进了 Premiere、Photoshop、Illustrator、InDesign 和 Frame.io,现在是公开测试版。你告诉它要什么结果,它自己去跑多步骤的体力活:比如在 Premiere 里自动分素材、标采访问题、拼粗剪;在 Photoshop 里换背景、按平台尺寸批量改图。

推荐理由:Adobe 将创意智能体接入 Photoshop、Premiere 等五款应用并开启公测,可自动完成分素材、拼粗剪、批量改图等多步骤操作,功能已可实际运行。

Hacker News 首页

ChatGPT 图片生成器被一个病毒式提示词绕过,会自发产出性暴力与虐杀画面

Mindgard 的研究员 Jim Nightingale 发现,一个在 X 上流传的提示词能绕过 ChatGPT 的图片生成过滤。这个提示词只是让模型“修复附件照片”,不指定任何内容,但 ChatGPT 却会生成涉及死亡和性侵犯的极端画面。

推荐理由:Mindgard 研究员发现一个在 X 流传的提示词能让 ChatGPT 绕过图片过滤,仅要求修复照片就生成死亡与性侵画面,指向无内容指令下的过滤盲区。

6月17日星期三

AI HOT 精选

Midjourney V8.1 上线草稿模式:一次出 24 张低清预览,只花一半快速时长

Midjourney 给 V8.1 加了个草稿模式,点一下闪电按钮就能用。每次生成 24 张低分辨率、低画质的预览图,消耗的快速时长只有标准 V8.1 作业的一半。挑出满意的图点“Vary”就能渲染成高清成品。

推荐理由:Midjourney 在 V8.1 中加入草稿模式,一次生成 24 张低清预览,快速时长消耗仅为标准作业的一半,挑中后再渲染高清成品。

彭博科技

一封商务部长来信,让 Anthropic 主动关掉了 Mythos 的生图功能

Bloomberg 公开了美国商务部长 Howard Lutnick 发给 Anthropic 的完整信函。信里要求 Anthropic 解释为什么 Mythos 能生成特朗普和马斯克的深度伪造图像,并质疑了它的内容审核机制。Anthropic 随后自愿禁用了 Mythos 的图像生成能力。文章没说明这次关停是临时还是永久,也没给出恢复时间表。

推荐理由:美国商务部长致信Anthropic,要求其解释Mythos为何能生成特朗普和马斯克的深度伪造图像并质疑内容审核机制,Anthropic随后主动禁用了该图像生成功能。

6月16日星期二

AI HOT 精选

苹果 AI 版 Siri 为什么拖了这么久:旧方案直接扔掉,底层全部重写

苹果 Siri 项目的新负责人 Mike Rockwell 在 WWDC 闭门分享会上交了底。去年他们其实已经做出了一个能跑的原型,就是在老 Siri 上加了个工具调用功能,但团队觉得这离想要的产品体验差太远。于是他们选了另一套需要大改底层架构的方案,把旧 Siri 的架构完全拆掉,基于新的大模型从头搭建。

推荐理由:苹果 Siri 新负责人 Mike Rockwell 披露,团队去年已做出能跑的原型,却因体验差距主动放弃,转而拆掉旧架构、基于大模型从头重写。

6月14日星期日

彭博科技

苹果新 Siri 上手:刚好够用,暂时缓解了 AI 危机

Bloomberg 的 Mark Gurman 在 iOS 27 和 macOS 27 上实测了新 Siri。它能看懂屏幕上的内容,也能跨 App 干活——比如用一句语音指令找到一张照片、编辑后再通过信息发出去。复杂任务还是要等 11 秒以上,偶尔会漏步骤。

推荐理由:彭博社记者在 iOS 27 和 macOS 27 上实测新 Siri,记录跨 App 处理照片并发送的流程,也给出复杂任务超过 11 秒的延迟数据。

6月12日星期五

AI HOT 精选

MiniMax 开源 M3 模型:总参数 428B,激活 23B,上下文窗口拉到 100 万 token

MiniMax 把 M3 的权重传上了 HuggingFace,技术报告和完整权重大概还要等 10 天。这是个混合模型,总参数量 428B,但每次只激活 23B,靠 MiniMax 自研的稀疏注意力把上下文窗口撑到 100 万 token,还原生支持多模态。

推荐理由:MiniMax 第一次把旗舰模型权重开源,428B 的混合专家模型,激活 23B,百万 token 上下文,代码和智能体跑分能跟 DeepSeek、Qwen 掰手腕。技术报告还没出,权重刚上传,信息缺口明显,但开源这个动作本身对开发者生态有直接价值。

AI HOT 精选

WSJ:OpenAI 想靠大降价和超级应用改版,在 IPO 前抢企业开发者

WSJ 消息,OpenAI 正在考虑大幅降价,直接原因是 Anthropic 的 Claude Code 在企业开发团队里用得越来越多,token 消耗量很大,抢走了不少付费用户。OpenAI 虽然在大众用户里名气更大,但真正赚钱靠的是企业客户,所以这次降价主要冲着开发者来。

推荐理由:OpenAI 考虑大幅降价并筹备 ChatGPT 改版,背景是 Claude Code 在企业开发团队中 token 消耗增长、抢走付费用户,降价主要面向开发者。