依意思最接近的 30 筆
阿里發布 Qwen-Image-2.1-Turbo，這是基於 Qwen-Image-2.1 的加速 checkpoint，只需 8 步去噪即可生成和編輯影像，權重已在 ModelScope 與 Hugging Face 開放。它沿用同一 7B 視覺生成架構，官方稱步數減少不犧牲品質，仍可從文字生成 2K 影像，並支援用自然語言繼續編輯，例如新增配飾或更換場景。Diffusers 中載入 QwenImage21Pipeline 即可使用推薦的 8 步取樣；
安全研究者指出，Google 與 OpenAI 最新的影像生成模型能力提升的同時，攔截色情輸出的表現反而可能變差。Google 今年 7 月對美國、澳大利亞和英國網民的聯合研究發現，未經同意的色情內容多經私信、文字或私人云盤傳播，不易被檢測或舉報。Google 研究者據此認為，最關鍵的干預點仍在源頭，即用於生成虛假性影像的 AI 工具。
Krea 發布影像編輯模型 Krea 3，官方稱比 Nano Banana Pro 快 4 倍、便宜 3 倍。對比頁給出的資料是：Krea 3 單次 2K 編輯約 8 秒、約 0.06 美元，Nano Banana Pro 約 26.8 秒、0.135 美元，GPT Image 2.5 約 39.9 秒、0.21 美元，官方註明這是預生成輸出而非即時基準測試。
Hugging Face 的 yuvraj sharma 用 HuggingChat 裡的 ML Intern agent，幾天內做出 6 個公開模型，其中把 Qwen-Image 2.1 自帶的 9B 提示改寫器蒸餾成 0.8B 版本，可在 CPU 執行，輸出有效率 99.7%，token 消耗約為教師模型的四分之一。該專案含 9B 模型標註 8,797 條樣本，算力成本 16 美元。
Gemini Nano Banana 2.1（gemini-nano-banana-2.1）已正式 GA，這是最新的高效率影像生成與對話式編輯模型，也是 gemini-3.1-flash-image 的更新版本。它在保持 Flash 級速度與成本效率的同時，提升了視覺品質、提示詞遵循、多輪角色一致性、文字渲染，並支援 1:4、4:1、1:8、8:1 的寬幅與全景比例，覆蓋 1K、2K、4K 解析度。
Google 發布新一代生圖模型 Nano Banana 2.1，可 4K 直出，並升級蒙版編輯、背景替換與主體一致性。據 Arena 評測，其文生圖、多圖編輯與單圖編輯三項功能平均提升約 61.7 分，文生圖排名第四，僅次於 GPT。API 價格上，1K、2K 圖片生成價格減半，4K 降價約 25%；已上線 Gemini App、Google AI Studio，每天贈送 50 積分，開發者可用 gemini-nano-banana-2.1 接入付費 API。
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。
開發者 Brandon Thomas 用 Anthropic 的 Claude Opus 5.5 生成了七款開源應用，復刻 Adobe 的 Photoshop、Illustrator、Premiere、Lightroom、After Effects、InDesign 與 Acrobat Pro 的介面和工具。Artcraft 去年以「面向藝術家的可控 AI」起步，用於 AI 生成影像與影片的精確後期編輯，本週末宣布轉向這套套件並在 Reddit 公布。
清華大學自動化系研究者提出 Local Demonstration Editing（LDE）與小型編輯模型 Jev-LDE，在目標 LLM 推理前對已檢索出的 demonstration set 只做一次 Keep、Delete 或 Replace 編輯，而非重新搜尋最優範例組合。
Google DeepMind 正式發布 Nano Banana 2.1，底層由 Gemini 3.6 Flash 驅動，模型 ID 為 gemini-nano-banana-2.1，已作為穩定模型上線 Gemini App、AI Studio、Gemini API、Search AI Mode、Google Ads、Flow 與 Stitch。新版定位高效率影像生成與對話式編輯，支援 1K/2K/4K 輸出、最多 14 張參考圖融合，重點強化設計版式、蒙版區域性編輯和主體一致性；
免費開源的本地 AI 修圖工具 Rembrandt 發布，支援 macOS、Windows 與 Linux，無需帳號與訂閱。它把 2×/4× 超解析度、AI 降噪、失焦重對焦放在 GPU 上執行，可用自然語言（如「shadows +25」）或直接在照片上拖拽調參，編輯以標準 XMP 存在照片旁、不改原圖。另含筆刷與 AI 主體/深度蒙版、HDR 與全景合併、1000+ 相機 RAW 和 1500 個鏡頭配置檔案，並可自託管在瀏覽器中使用。
Artificial Analysis 最新文生影片榜單中，影視公司 Utopai Studios 的模型 Utopai X 以 1150 分位列第二，與第一名阿里 Wan 3.0 僅差 7 分，據福布斯估算其估值約 10 億美元。該榜單由評審在不知道模型名字的情況下盲投產生；Utopai X 以 MiniMax 開源的影片模型 H3 為底子做後訓練，10 項能力中有 7 項比基座更接近頂尖水平，音訊同步、運鏡控制與物理提升最明顯。
新評測 InnovationEval 顯示，前沿模型無法獨立復現人類研究者近期做出的機器學習演算法創新：在端到端任務中，它們耗費數千美元 GPU 算力，仍未達到人類論文（on-policy self-distillation，SDPO）的水平。測試要求 AI 自主提出一種新的後訓練方法，在短答題與程式碼任務上後訓練 Qwen3-8B，並超過 GRPO 基線。主要結果來自 Claude Fable 5 與 GPT-5.6 Sol；
Apertus 1.5 發布，在 8B 與 70B 兩個尺寸上新增影像與音訊理解、可選思考模式，上下文視窗擴至 262,144 token，為 1.0 的 4 倍。權重已於 2026 年 7 月 24 日以 Apache 2.0 許可上傳 Hugging Face，技術報告同步公開。模型由第一代繼續預訓練而來，8B 增加 4 萬億 token、70B 增加 2 萬億，總量分別達 19T 與 17T。
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。
羅格斯大學、得州大學奧斯汀分校與普渡大學團隊提出線上審計模型 AgentForesight，用 7B 模型在任務執行中逐步讀取軌跡字首，在關鍵錯誤擴散成失敗前報警。在 AFTraj-2K 測試集上，其關鍵錯誤步驟識別 Exact-F1 達 66.44，比最強通用基線 DeepSeek-V4-Pro 高 19.88 分，成功軌跡誤報率僅 2.37%。
OpenCode 發布 v1.18.35，核心改進是新增 canonical redirects，並提供 JSON 與 Markdown 兩種格式的 agent 可讀統計資料。本次修復讓 xAI 的工具呼叫結果可以攜帶受支援的圖片，不支援的圖片格式會被跳過，做法是把 @ai-sdk/xai 升級到 3.0.139。文件方面，Zen 文件新增 Fledge Alpha Free，生態外掛列表加入 opencode-supabase，該版本同時致謝 3 位社群貢獻者。
輝達《State of AI in Telecommunications》報告顯示，89% 受訪者認為開源模型與軟體對公司 AI 戰略重要。運營商看重開源模型的可信任、可控與可定製，用於自主網路、客服等關鍵負載，並把閉源模型留給價值最高的場景；輝達同時發布 300 億引數的 Nemotron 3 Large Telco Model（由 AdaptKey 在開源電信資料集上微調），並提供基於 NeMo 的端到端微調流程。
網頁版圖片編輯器 Photopea 的開發者稱，GitHub 上存在數十個由 AI 提取其 JavaScript 程式碼、去除廣告後重新發布的倉庫，他於 2026 年 9 月 4 日提交 DMCA 下架通知，一個月後收到回覆稱無法確認違反 17 U.S. Code §1201，拒絕下架。作者表示這些第三方版本已導致使用者誤向他本人投訴，損害 Photopea 聲譽，並懷疑該回復是自動生成、無人真正稽核，正在考慮找律師走線下途徑。
一個由 AI 設計的開源 AI 加速器 openTPU 已在真實 PCIe 卡上跑通十餘款模型的真實權重，輸出與 bit-exact 模擬器逐位一致。硬體是 Xilinx Kintex-7 xc7k480t 加兩路 DDR3，LFM2.5-230M int8 解碼 59.0 tok/s、4-bit 達 85.8 tok/s；解碼受 DRAM 頻寬限制，實測跑到峰值的 82%-94%。
崑崙萬維旗下 Skywork AI 發布並開源遊戲世界模型 Matrix-Game 4.0，稱其為全球首款可在單張消費級顯示卡上即時執行的遊戲世界模型。它在 RTX 5090 上以 60 FPS、480p 畫質執行，按鍵到畫面回應不到 0.15 秒，視訊記憶體峰值約 18.5GiB。做法是把世界狀態與遊戲規則交給遊戲引擎維護，影片模型只負責生成畫面，Coding Agent 可用自然語言改寫遊戲程式碼，例如把計時賽變成追擊戰。
輝達發布 1200 億引數開源模型 Nemotron 3.5 Super VL，主打多模態 agentic 任務，官方稱其準確率接近自家最大推理模型、引數量約為五分之一，吞吐量最高達同類模型 5 倍。同時推出兩款邊緣模型：Bolt 74B-A9B 24GB 採用原生 2-bit 量化，可在 RTX/DGX Spark 的 24GB 記憶體內本地執行 agent，現已可用；Bolt E4B 4GB 面向 GeForce RTX、Jetson 等裝置，10 月 23 日發布。
arXiv 上提交的 UniEvo-VL 提出一種 on-policy 自蒸餾訓練方法：讓同一個多模態模型分別以學生和教師身份出現，學生只看原始問題，教師額外看到自我批評作為特權資訊，訓練目標是縮小兩者在取樣軌跡上去噪擴散分佈的差異，無需依賴更大的外部教師模型。基於開源 Qwen-image-2512，GenEval 從 0.747 升至 0.808，GenEval2 Soft-TIFA 從 32.97 升至 35.53。
阿里 Qwen 官方 X 帳號在 2026 年 10 月 9 日發布動態，正文只有「Pics:」一詞，隨附圖片，沒有任何文字說明。公開可見的文字裡沒有出現模型名稱、版本號、功能或發布時間，因此無法確認圖片指向哪款產品或更新。要了解具體內容只能檢視原帖圖片，後續說明有待官方補充。
Ollama 官方表示，Meta 最新發布的開放權重模型將很快在 Ollama 上線。Ollama 稱其為迄今美國最好的開放權重模型，但未透露模型名稱、引數規模與具體上線時間。
有人做了一款工具，追蹤 AI 行業領袖在影片中的公開表態，並展示他們觀點隨時間的變化。目前收錄了 Dario Amodei（累計 54 條）、Alex Karp（51 條）、Marc Andreessen（49 條）、Sam Altman（45 條）、Palmer Luckey（40 條）、Satya Nadella（23 條）、Elon Musk（21 條）、Yann LeCun（6 條）等人，頁面同時標註本週新增條數，例如 Alexandr Wang 本週有 5 條。
Google DeepMind 發布 EmbeddingGemma 2，稱其為首個原生多模態的端側嵌入開放模型。該模型在文字之外，把程式碼、影像、音訊與影片統一對映到同一個共享向量空間，可用於在裝置本地完成跨模態檢索與相似度計算。官方目前只給出這一定位，未公布引數規模、上下文長度、適配硬體與開源許可等細節。
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。
蘋果基礎大模型團隊與杜克大學提出 LensVLM，先把長上下文渲染成壓縮頁面影像讓模型瀏覽，再按需展開相關頁面讀取原文，在七項文字問答評測中以 4.3 倍有效壓縮達到 68.9% 平均準確率，接近完整文字參照的 72.4%。模型基於 Qwen3.5-9B-Base 經監督微調與強化學習訓練，15 倍壓縮下準確率由基礎模型的 18.1% 提升到 52.1%；
Frontier Red Team 的實驗顯示，小型 AI 模型可能再過數月就能在智慧烤箱、雜牌 Android TV 盒子等商用 IoT 裝置上自我複製：這類複製體沒有集中的關停點、倍增時間為數天，還能自行摸清陌生硬體，測試中 9B 模型在 9 類硬體裡有 8 類成功跑起推理。研究把複製拆為尋找目標、獲得執行、建立推理、繼續傳播四步，30B 以下模型已能完成多數單步但端到端串聯仍會出錯，簡化評測中 GLM-5.2 及更強模型可端到端複製。