实测 ChatGPT Images 2.6:日语海报、编辑与动态 GIF 的能力
实测 ChatGPT Images 2.6:指定日语的咖啡店海报文字与价格均按提示生成,约 3 秒的猫 GIF 可下载,但背景编辑连带改变了文字与构图,GIF 为 4fps 且循环处有跳变。官方称生成速度提升 50%,API 提供 Flare 与 Sunburst;作者提醒这是少数试行的结果,未做旧模型同条件比较。
实测 ChatGPT Images 2.6:指定日语的咖啡店海报文字与价格均按提示生成,约 3 秒的猫 GIF 可下载,但背景编辑连带改变了文字与构图,GIF 为 4fps 且循环处有跳变。官方称生成速度提升 50%,API 提供 Flare 与 Sunburst;作者提醒这是少数试行的结果,未做旧模型同条件比较。
Reddit用户newsock999用Charles Dana Gibson的三本书共209张图片训练了一个Krea2风格LoRA。这三本书为《Drawings》(1896)、《London as seen by Charles Dana Gibson》(1897)和《Americans》(1900)。
Vimoo-1.0-Lite 发布 ComfyUI 权重,包含约 9.5B 参数的 TI2V 模型,支持文生视频(T2V)与图生视频(I2V)。权重还包括蒸馏 LoRA 适配器、文本编码器、视觉编码器和 VAE,需配合 ComfyUI-Vimoo 节点和工作流模板使用。
Qwen-Image-2.1 Uncensored Omni 发布,其 rank-128 adapter 在约100万张图像上训练,以强度1.0合并进基础 transformer,并提供9种本地格式。该模型同时支持文生图与自然语言图像编辑,侧重灵活姿势和复杂构图。模型已在 Hugging Face 开放下载,代码与文档见 GitHub,在线体验在 chatrlabs.com/playground。
Google 发布 Gemini Omni 1.2 Flash,原生支持 15 秒视频生成,价格较 1.1 下降 30% 至 $0.07/秒(720p)。新模型支持多轮对话编辑、增强参考跟随,并可在 360p/720p 草稿后超分至 1080p 或 4K。Gemini Omni 现已在 Gemini API 和 Gemini for business 中正式可用。
推荐理由:新模型将原生视频长度提升至 15 秒并降价 30%,适合评估批量视频生产与广告素材制作成本。
NitroFusion2 是基于 Z-Image-Turbo 的 1–2 步文生图模型,将对抗损失引入 MMDiT 的文本流,一步即可渲染清晰文字与细节。该模型已上线 Hugging Face(ChenDY/NitroFusion2)。
NitroFusion2将对抗扩散蒸馏的少步生成从常规4-8步降至1-2步,质量相当。它通过文本流对抗蒸馏(TSAD)和方面提示判别(ACD)利用MMDiT文本流作为可操控的对抗表示。一步生成即可产生清晰渲染文本和丰富细节,两步时在评估基准中保持竞争力。
The Biological Computing Co. 于 10 月 30 日发布 Mischief 1,一个基于 Wan 2.2 的图像到视频模型,声称同质量下生成速度快约5倍,但尚无独立测试。
OpenAI 于 2026 年 11 月 4 日发布 GPT-Image-2.6,生成速度提升约 50%,Flare 最快 6 秒出图。新功能包括 GIF 生成、可复用参考角色、透明 PNG 标记编辑和 SVG 导出。API 定价与 2.5 持平,但 low/medium 档输出 token 用量可能上升,迁移前需实测。
推荐理由:GPT-Image-2.6 新增 GIF 生成与参考角色,API 定价与 2.5 持平,但输出 token 用量可能上升,迁移前需实测。
GPT-image-2.6 发布,新增直接生成 GIF 动图功能。作者用它制作了近期流行的大肥鱼表情包,并附上提示词供生成各种大肥鱼表情包。作者提到在 Codex 中无法调用 2.6,需在 GPT 中使用。
Viggle 发布开源视频重拍模型 Viggle Remake,基于 MiniMax H3 基础 transformer,提供 swap 和 edit 两个 rank-256 LoRA,以及 ComfyUI 节点包、int8/GGUF 量化构建和 MCP 服务器。
推荐理由:Viggle Remake 将视频重拍能力开源到 ComfyUI,提供 swap 与 edit 两种模式及量化版本,创作者可据此替换素材中的人物或物体。
Kling 4.0 Flash 现已面向所有用户开放,可通过 Kling AI 网站和 API 访问。该版本还支持 MCP、CLI 和 AI 插件,并提供 Adobe Photoshop、Premiere Pro、After Effects 插件,可将视频生成直接集成到创作流程中。
推荐理由:Kling 4.0 Flash全面开放并支持MCP、CLI及Adobe插件,创作者可将视频生成直接嵌入专业工作流。
魔芯科技发布基于华为昇腾原生的 4D 世界模型 MoWorld 2.0,将重力、弹力、光照等物理要素融入空间建模,输出可实时渲染、可反复调用的 4D 高斯资产。推理成本最低可降至同等规模 GPU 方案的 30%,视频推理约 70 帧/秒,空间资产渲染达 500 帧/秒以上。目前正与合作伙伴在具身智能训练、自动驾驶、工业数字孪生、影视娱乐等领域推进应用验证。
开发者Chetaslua称,Anthropic新旗舰Fable 5.5通过纯代码生成一段66秒动画,分辨率1920×804、24fps,未使用外部素材。多名开发者还展示了Fable 5.5生成的交互式3D场景,约一小时完成复杂动态场景代码编写。Anthropic尚未正式确认Fable 5.5的发布时间、性能指标及开放范围。
PrunaAI 发布 P-H3-Image 图像模型,基于 MiniMax H3 微调,支持 8 MP 文本生成图像与最多 8 张输入图像的编辑。模型为 33.1B 参数 transformer,8 步采样且无需 CFG,内置 Qwen3.5-9B prompt upsampler,ComfyUI v0.44.0 原生支持。
Krea 3 是 Krea 推出的图像到图像基础模型,主打编辑速度与成本效率,单次编辑在 8 秒内完成。在 Arena.ai、Artificial Analysis 和 Design Arena 的编辑排行榜上位列第 4,速度比 Nano Banana Pro 快约 3-5 倍,成本约为其一半。
Reddit 用户 elephant-knight 训练并发布了 Krea-2 的姿态控制 LoRA,checkpoints 已上传至 Hugging Face(https://huggingface.co/adhit-420/Krea-2-PoseControl-LoRA-checkpoints)。
MiniMax 发布开源图像生成与编辑模型 MiniMax-H3-Image,将文本到图像与图像编辑统一在一个 checkpoint。模型为 33.1B 参数 DiT,蒸馏至 6 步采样,直接生成约 16 兆像素图像(4096×4096 至 6272×2688),无需超分。
推荐理由:新模型将文本生成与图像编辑统一在一个 checkpoint,16 兆像素直接输出且仅需 6 步采样,可评估其是否适合现有出图流程。
Pika 发布 H3 Flex 视频生成模型。官方称该模型可在一个 15 秒生成中完成多镜头蒙太奇,并展示了创作者用其制作的作品。
TaoLive AIGC 于 11 月 2 日发布 TaoMate-FVSR,一个 10.3 GB 的视频人脸修复模型,可修复生成视频中模糊的脸部与融合的牙齿,并在替换音频轨道时让口型匹配新语音。
推荐理由:针对生成视频脸部模糊、牙齿融合与口型不跟声音的缺陷,同时做修复与对口型,并可直接在 ComfyUI 中运行。
Curious Refuge 公布 2027 年最佳 AI 图像生成器榜单,Google 的 Nano Banana 2.1 以 9.02/10 总分登顶。GPT Image 2.5 以 9.00/10 紧随其后,提示遵循得分最高(9.86/10)。评测基于 29 个标准化边缘案例提示词,从提示遵循、视觉保真度、风格与写实三个维度评分。
LightX2V 团队发布 Qwen-Image 2.1 Lightning v2 RL,从 v1 的 67MB LoRA 升级为完整 transformer(28.5GB FP32),经 RL 精炼后支持四步采样,覆盖文生图、单参考编辑和多参考生成。
腾讯开源混元同声传译大模型Hy-SimulMT,支持中英语音实时互译,可在翻译同时实时克隆说话人音色,实测响应约3秒,翻译质量达人类同传专家水平。该能力有望降低短剧出海译制成本,让多语种版本以低边际成本复制,中小团队无需为每个市场单独组建配音班底。
MoviEdit是一个端到端框架,用于可扩展的长视频多镜头编辑,同时解决数据、建模和评估挑战。它通过自动数据生成管道产生87K配对编辑视频,无需人工标注,并采用级联双向自回归设计,在时空压缩表示上建立全局一致的编辑草稿,再自回归传播细化。MoviEdit-Bench基准测试显示,MoviEdit显著优于现有开源模型,并在文本引导和图像引导编辑方面与行业前沿模型持平。
Fable 5.5 在相同 prompt 下生成超写实鹈鹕骑车,羽毛纹理、光影和自行车物理细节真实,而 Opus 5.5 High、GPT-6 Astra Max、Gemini 4 Carbon Max 均为卡通插画。
Morgana 1.2 发布,是 Kitani 基于 FLUX.2 Klein 4B 的摄影微调模型,主打真实人脸、自然光与细腻纹理。在 1x H100 上 15 步生成仅需 4.6 秒,无需 LoRA。免费提供 safetensors 与 GGUF(含 BF16、Q8_0 等量化),另有付费 API。
Wave Forcing(WF)提出一种面向实时长视频生成的连续流式生成方法,在 Wan2.1-T2V-1.3B 上以5步去噪保持与 Rolling Forcing 相当的质量并提升动态度。
ElevenLabs 推出 SFX v3 音效模型,现已上线 ElevenCreative 和 ElevenAPI。SFX v3 能更可靠地处理描述多种声音的提示,音乐与声乐生成更可信,音质比 SFX v2 更干净自然。创作者可在 Flows、Sound Effects 标签、Studio 和 Music Editor 中使用,开发者可通过 ElevenAPI 接入。
推荐理由:SFX v3 改进了多声音提示跟随、音乐与声乐生成和音质,创作者可据此评估是否替换现有音效生成流程。
Pika 发布 H3 Flex,将 MiniMax H3 后训练并蒸馏至六步采样,开源权重与 ComfyUI 模板。模型以两个 LoRA 适配器加载于 H3 基座,支持文本到视频、首尾帧及参考条件生成,输出 480p/768p、5-15 秒并混入 32kHz 立体声音频。Pika 自评在五项视觉与音频质量指标上领先对比模型,社区实测提示四步时高频细节出现闪烁,建议保持六步。
推荐理由:Pika 将 MiniMax H3 后训练为六步模型并开源权重,ComfyUI 模板可直接加载,创作者可据此评估六步出片质量。
Pika 发布 H3 Flex,成为 DesignArena t2v 榜单第一的开源权重模型。该模型支持导出音频分轨、最高 4K 分辨率与快于实时生成,15 秒带音轨片段最快 7 秒生成。
推荐理由:Pika H3 Flex 以开源权重登顶 DesignArena t2v 榜单,支持 4K 与音频分轨,为专业迭代提供新选择。
Pika 发布 H3 Flex 视频生成模型,基于 MiniMax-H3 后训练,六步采样生成带同步立体声的视频。本地开源推理支持 480p/768p、24fps、5-15 秒,API 可生成 1080p/2K/4K 并支持音频分离与提示增强;Ref2VA 模式支持最多 12 个参考输入。
推荐理由:基于 MiniMax-H3 后训练,六步采样与多参考输入为专业视频创作提供高效可控方案,可评估其与现有流程的适配度。
创作者发布针对 Krea 2 Turbo 的 3 步蒸馏 LoRA,将去噪步数从 8 步降至 3 步,去噪速度提升 2.6 倍,细节质量达到教师模型的 1.15 倍。训练使用 12,000 个样本,单张 H100 约 41 小时;提供 ComfyUI 工作流,兼容 diffusers、ComfyUI 和 MLX。
推荐理由:这个 3 步蒸馏 LoRA 将 Krea 2 Turbo 去噪步数从 8 步降到 3 步,细节质量超过教师模型,为创作者提供更快的出图选择。
可灵邀请创作者 Ami 用 Kling 4.0 制作短片《Tea When You Have Time》,她分享了 30 秒生成、Omni Reference 与多关键帧等新能力的使用体验。Kling 4.0 支持单次 30 秒生成、21:9 画幅、最多 10 个关键帧,12 个角色资产保持一致,粤语对白口型同步效果好,并支持多种方言与英语口音。
推荐理由:创作者实测显示 Kling 4.0 在 30 秒长镜头、12 角色一致性与粤语口型同步上表现稳定,可据此评估升级。
MOSS lora v2 发布,作者清理了数据集中的低质量图像,并重新标注所有图片,不再使用转换的 Ideogram 提示词。新模型色彩深度、提示词遵循度和高细节图像生成能力均显著提升。由于性能提升,模型相比 v1 更少冒险,提示词需更具体。
AuroraIMG2-50M-Preview 发布,这是一款文生图模型,去噪器仅 50M 参数,端到端推理参数约 90M。在 2016 年 Intel i5 7200U 笔记本 CPU 上,50 步生成需 27 秒,20 步需 11 秒,采用 Apache 2.0 许可。
谷歌发布新一代世界模型 Genie 4,可在生成世界的同时原生生成音乐、环境音和交互式对话。相比上一代 Genie 3,新模型加入原生音频、实时人物对话,以及由 Gemini 模型提供的多步骤推理和场景控制能力,目前以研究预览形式向受信任测试者逐步开放。
推荐理由:Genie 4 在上一代基础上加入原生音频、实时对话与多步骤推理,创作者可据此评估其交互式模拟能力。
谷歌 DeepMind 发布 Genie 4,世界模型实现原生多模态,画面、音乐、环境声和对话可同时生成。技术上基于 Gemini 家族,Gemini Omni 负责让模拟锚定真实世界的样貌和物理行为。
lvladikov 发布 Krea2-Turbo-Distill-3step-LoRA,将 Krea 2 Turbo 从 8 步压缩到 3 步,约 2.6 倍加速(65.4 秒降至 24.9 秒),细纹理达 8 步教师的 1.11 倍。该 rank-64 LoRA 可在 ComfyUI、diffusers 和 MLX 中直接加载,无需自定义节点,并附带纯 stock 节点工作流。
PrunaAI 发布面向 Qwen-Image-2.1 的 6 步 LoRA 适配器,将图像生成从 40 步压缩到 6 步。其中 6-steps-upsampled 版本去掉了独立的提示词上采样步骤,根据提示词风格可节省 41 到 80 秒,LoRA 直接加载在 Qwen-Image-2.1 上,管线保持不变。
推荐理由:新适配器将图像生成从 40 步压缩到 6 步并去掉上采样环节,创作者可据此评估是否替换现有出片流程。
可灵官方转发 Runware 消息称 Kling 4.0 已在 Runware 上线,支持最长 30 秒 1080p 视频并带原生音频。该版本支持首帧、中间帧、尾帧的多关键帧,单次请求最多 15 个输入,涵盖关键帧、参考图、参考视频和元素,并可基于提示词编辑已有片段。定价为每秒输出 0.133 美元起,接下来 7 天在常规价格上打 85 折,模型 ID 为 klingai:[email protected]。
推荐理由:Kling 4.0 通过 Runware API 上线,给出 30 秒 1080p 带原生音频与多关键帧输入等参数,可对照现有出片链路。