Black Forest Labs 開源 FLUX.3 Image Klein，支援框選佈局控制
Black Forest Labs 發布開源影像生成模型 FLUX.3 Image Klein，新增可用 bounding box 指定畫面元素位置的佈局控制，Diffusers 已首日支援。單一模型同時覆蓋文生圖、多參考圖生圖：提示詞中用 <ref_image_0> 引用參考圖，編輯時用 src_bbox 與 tgt_bbox 指定區域移動，座標按 0–1000 歸一化、y 在前，任意尺寸通用。
Black Forest Labs 首次把 bounding box 佈局控制做進開源影像模型，單模型覆蓋文生圖與多參考編輯，蒸餾版 2 秒出 1024 圖，並附量化權重、LoRA 指令碼與 Modular pipeline，對本地部署與 Diffusers 開發者最直接。
原標題：Welcome FLUX.3 Image Klein in Diffusers
閱讀原文
| 評分 | 90 / 88（平均 89，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
清華提出樣本分佈訓練，一步生圖 SOTA、8 卡訓 14B 影片模型
清華大學等機構提出「樣本分佈訓練」，用一批生成樣本與參考樣本的整體分佈差異提供監督，取代逐樣本的參考答案，把生成壓縮到一步或少數幾步。MGFlow 在 ImageNet 256×256 上把 pMF-H、JiT-H 的單步 FDr⁶ 降至 1.45、1.64，較 FD-Loss 降低約 23% 和 38%；後訓練 FLUX.2 [klein] 4B 一步文生圖，GenEval 從四步的 0.794 升至 0.900。
Cloudflare 發布 Clef-omni，可同時輸入音訊、影片、影像與文字
Cloudflare 推出開源權重決策模型 Clef-omni，能在一次 API 呼叫中同時接收音訊（wav/mp3）、影片（mp4/webm）、影像和文字輸入，模型基於 Qwen3-Omni-30B-A3B-Instruct 的 MoE 架構訓練 LoRA，權重已發布在 HuggingFace。官方稱純文字決策中位延遲約 130 毫秒、影像約 150 毫秒、音訊數百毫秒，含聲音的 21 秒影片約 1.5 秒。
llama.cpp 更新：Qwen3.8 Flash Next 支援影像嵌入用於 MTP
llama.cpp 發布 b11588 建置，讓 Qwen3.8 Flash Next 模型可以接受影像嵌入（image embds）用於 MTP，該改動延續 #30257 並關閉 #30307。
@OpenAIDevs: Powered by GPT-6 Luna, it accepts text and image inputs and supports 3 kinds of outputs:
OpenAI 開發者帳號披露 GPT-6 Luna：該模型接受文字與影像輸入，支援三種輸出形式。Predicates 用於估計某條陳述為真的機率；Choices 從預設選項中做出選擇並給出置信度分數；Scores 按數值區間對輸入進行評分。帖子只描述了輸入輸出能力，未提及定價、上下文長度、可用範圍或上線時間。
豆包工作上線創作畫布，接入豆包 2.1 Lite 與 Seedream 5.0 Flash
豆包工作新增創作畫布功能，並接入輕量級模型豆包 2.1 Lite。畫布把素材、設計方案與創作成果集中在同一張無限畫布上，圖片生成後仍可繼續修改文字、配色和佈局，同時接入全新圖片模型 Seedream 5.0 Flash，Agent 可覆蓋從理解需求到生成圖片、影片和成套設計。豆包 2.1 Lite 面向日常問答、文件撰寫、表格處理與 PPT 製作，在回應速度與額度消耗上做了最佳化，客戶端升級後選擇該模型即可使用。