RoAR-VAE:通过鲁棒预测提升潜空间可扩散性
RoAR-VAE 通过从损坏的潜变量中预测语义特征与重建干净图像,提升视觉 tokenizer 的潜空间可扩散性。在相同训练预算下,其生成基准平均性能比最强基线 tokenizer 高 2.19 分,小文本重建准确率比 FLUX.1-VAE 高 16.93 个百分点。
RoAR-VAE 通过从损坏的潜变量中预测语义特征与重建干净图像,提升视觉 tokenizer 的潜空间可扩散性。在相同训练预算下,其生成基准平均性能比最强基线 tokenizer 高 2.19 分,小文本重建准确率比 FLUX.1-VAE 高 16.93 个百分点。
DeOverlay 是一个源锚定流模型,从源潜变量出发、以固定源引导重建干净视频,通过区域加权流匹配训练共享速度网络,实现从中间状态的连续校正。团队同时发布 DVTE-Bench,含 8 类文字叠加共 1,631 对视频,配 OCR 筛选的干净目标与帧对齐像素掩码。
研究者提出 Fréchet Forcing,通过生成锚定、上下文保真与真实感匹配三项约束,在无需教师模型、在线判别器和长视频的情况下微调世界模型及其多步采样器。在 253 帧片段上预训练的 MiniWorld-1B 经最多 36 GPU 小时、381 帧片段微调后,rollout 可稳定超过 4,000 帧,并在机器人操作与相机控制探索中持续跟随动作指令。
蚂蚁百灵开源 Ming-3.0 语音系列,包含语音合成、音频理解与对话、语音识别三个系列共五款模型,开发者可按任务选择或组合进工作流。Ming-3.0-tts 的 Voice Design 支持用文字描述目标音色,也可用参考音频设定音色,导演模式可说明台词的表演方式、情绪变化、重读词与节奏处理。
推荐理由:Ming-3.0 把语音合成、音频理解与识别拆成五个模型,其中导演模式可用文字描述台词的表演方式。
柏林 AI 研究团队 Mirelo 发布视频转音效模型 SFX 2.0,可在不重新生成画面的情况下改动视频音频,保留对白、去除未指定的音乐,并生成与动作同步、跨剪辑点连贯的音效、拟音与环境声。
推荐理由:视频转音效模型更新,可在不改动画面的前提下重做音轨,并已接入剪辑软件与第三方平台。
Krea 发布图像编辑模型 Krea 3,多数编辑在原生 2K 下 8 秒内完成,单张 0.06 美元,1K 为 0.03 美元。官方给出的对比是 Nano Banana Pro 中位耗时 33 秒、单价 0.135 美元,GPT Image 2 为 90 秒、0.22 美元。该模型单次编辑最多支持 6 张参考图,并能按马克笔草图、情绪板和线稿生成成图。
DeepSeek 于 10 月 17 日在官网、App 和 API 同步更新 V4.1-Flash-1017,API 模型名仍为 deepseek-flash,调用方式和价格不变,在 Claude Code 框架下 Terminal-Bench 4.0 得分从 31.2 提升至 42.3。
lodestones 于 10 月 19 日发布 MOSS-Image-Base 的全量微调模型 Kromoss,主要针对 Base 模型的模糊问题,沿用 Qwen3.5-9B 文本编码器与 FLUX.2 small VAE,可直接放入现有 MOSS-Image 工作流。
BytePlus 于 10 月 15 日上线 OmniHuman 2.0,一张图片加一条音轨即可生成带对口型的 720p 表演,支持文本提示控制手势与镜头运动,并允许多人同框。价格从每秒 0.12 美元降至 0.07 美元,即每分钟 4.20 美元、五分钟长镜头 21 美元。该产品通过字节跳动的企业平台 BytePlus 销售,预算需考虑可用一分钟素材需要拍多少条。
OpenAI API 模型列表短暂出现 aurora-red-alpha、aurora-green-alpha、aurora-blue-alpha 三个条目,Arena 上同名图像模型已用红、绿两版生成猫咪图片。测评博主 Lumina 推测这可能是 GPT-Image-3,称红版生成更快但画质稍逊、绿版较慢效果更好,蓝版尚未测试。OpenAI 未公布模型身份及发布安排。
OpenMOSS 发布 MOSS-Image,这是一个 5B DiT 模型,使用 Qwen3.5-9B 文本编码器和 FLUX.2 VAE,分 Base 与 SFT 两个版本,采用 Apache 2.0 协议。
推荐理由:MOSS-Image 以 Apache 2.0 开源并支持结构化布局控制,可对照现有开源图像模型评估文字渲染能力。
OpenMOSS 的图像生成模型 MOSS-Image 已随 ComfyUI 更新获得支持,除文字描述生成外,还能通过 JSON 格式 Layout 指定文字与主体的位置和大小。
一个镜头可能已经可用,但仍需改动一处。 灯光。机位角度。环境。 在 Luma 中持续打磨同一个创意。
可灵4.0(Kling 4.0)全面上线,单次原生生成最长30秒,支持长镜头与连续叙事。新模型强化高速运动与复杂运镜稳定性,全能参考功能单次任务最多组合15项图片、视频、主体与音色素材,其中图片最多10张、视频最多5段、主体最多7个,并支持最多10张关键帧控制人物状态与剧情走向。
推荐理由:可灵4.0把单次生成拉到30秒并支持15项参考素材,创作者可据此判断长镜头与动作戏的可用程度。
有用户用同一提示词对比了 Krea2、Qwen2.1、Flux3 Klein、Flux 2 Klein、ZIT 和 Moss 六款开源模型的出图效果。Krea2 需要文本拒答绕过 LoRA 才能生成缺失文字并让 Cousin Itt 出现;Qwen 2.1 则似乎把 Lurch 的灰发理解成了灰色皮肤。提示词为 Wednesday Addams 主题的写实摄影场景。
Black Forest Labs 发布了修复版 Flux 3 Klein V2,作者将其与旧版 Flux 3 Klein 及 Flux 2 Klein (9B) 对比测试。
MOSS-image 无需 LoRA 即可按提示词直接生成图像,兼容 1girl 类提示词与 JSON 风格写法。示例提示词生成了一张仰躺在草地上的女性牛头人俯拍照片,穿印有 "Muuhters" 橙色圆体字 logo 的白色背心,标注为 Canon R5 DSLR 拍摄。
介于幻想与怀旧之间。 #Kling4 #KlingAI
谁还需要厨房喷枪?🔥 #Kling4 #KlingAI
可灵 4.0 要搞大的 👀 #Kling4 #KlingAI (引用推文:大事将至 idea.ai……可灵 4.0,即将上线 idea.ai!👀)
Speridlabs 发布 3B 参数的扩散 transformer Iris-3B,直接对 RGB 像素去噪,不设 VAE 与潜空间,末端由 4 个 pixel head 把 16×16 patch 还原为像素,文本编码器为冻结的 Qwen3-VL-4B-Instruct。
研究者提出 Painting Change Map,一种显式追踪 1000 个时间步内归一化结构变化的时空控制机制,可同时引导正向绘画与反向"卸画"过程。该方法将局部视觉差异编码进 RGB 空间,实现笔画级细粒度控制,在基准测试中优于现有控制基线,并在 oracle 条件下显著超越所有基线。代码已开源。
快手称可灵 4.0 已于 10 月 15 日发布,单次生成最长 30 秒,Omni Reference 最多支持 15 个素材、关键帧最多 10 个,并已集成 Kling MCP 与命令行工具。
推荐理由:可灵 4.0 已上线,但 HDR、两分钟续写和 API 仍标注即将推出,文中还列出 Flash 档与完整版的参数差异。
FastVideo 发布 FastH3-QAD-v2,这是一个 8 步视频与音频模型,采用 NVFP4 权重和量化感知蒸馏(QAD)训练,可在单张 Blackwell GPU(RTX 5090、RTX PRO 6000)或 DGX Spark 上运行。
推荐理由:8 步视频与音频模型以 NVFP4 量化权重落到单张 Blackwell 显卡,并给出与 BF16 教师模型的误差数据。
HumanSkill-4D 提出免训练框架,用共享的多模态大语言模型和几何算子,从语言查询中选出可动画高斯化身的局部区域,并可指定姿态或动作匹配时间段。方法通过语义记忆将身体部位与服装类别绑定到持久高斯区域,并用运动记忆中的驱动关节轨迹组合算子程序,使选择可追溯。团队构建三个真人标注 benchmark,其在部位分割及 3D、4D 指代分割上优于基线,每个化身仅需数分钟设置。
UniAVC 用单一模型权重实现文本条件联合生成、双向跨模态生成与指令引导编辑,无需任务专用适配器。它先在单模态数据上训练各分支至完整生成与编辑能力,再把配对数据用于跨模态对应关系;模态解耦调度器从共享时间步独立变换噪声调度,并以单模态干净样本直接监督非对称配置。由此支持意图感知编辑与推理后自优化,仅重生成不满意的一侧。
Comfy-Org 在 Hugging Face 发布 MOSS-Image 官方权重,作者表示此前分享的 int8 量化版本已不再推荐,官方权重效果更好。相关改动见 ComfyUI 的 PR 17095,运行前需先更新 ComfyUI。
帕洛阿尔托 AI 初创公司 Elorian 发布首个模型 Glimpse,以研究预览形式开放 API,聊天界面需排队等候。Glimpse 在推理过程中可裁剪图像区域、抽取视频帧或运行代码测量比较,Elorian 称之为“视觉暂存空间”。
可灵 4.0 已在 kling.ai 全面开放,官方称带来更精细的运动、更精准的创作控制与专业级视听输出。在 Advertising Week New York 2026 上,可灵 AI 与 WPP、Adobe 同台讨论 AI 视频如何从创意试验走向真实制作,并强调下一阶段不只是生成质量,而是把模型、工具与工作流连接起来,让创意在一致性与可控性下规模化。
Krea 发布前沿图像编辑模型 Krea 3,支持原生 2K 端到端编辑、8 秒内完成,1K 定价 0.03 美元、2K 为 0.06 美元,已在 krea.ai 上线。
Meta 开放 Muse Spark Open 权重,这是一款 816B 总参数、42B 激活参数的混合专家多模态 Agent 模型,支持 1M 上下文,接收文本、图像、视频和音频输入。
生数科技发布 Vidu Q4 Preview,主打人物表现、运镜和复杂视效,在 2D、3D 动漫场景中强化角色演绎与动态镜头,首发优惠价低至 0.09 元/秒起。
推荐理由:Vidu Q4 Preview 把人物演绎、运镜与多参考能力打包,并给出 0.09 元/秒起的首发价,可据此判断试拍成本是否已进入可承受区间。
SUPRA-Tex 提出一种单图3D生成方法,通过解耦可见材质估计、表面对齐与观测引导的3D补全,实现与参考图的超对齐。该方法先用基于 MLLM 的图像编辑模型预测参考视角下光照分离的 PBR 贴图,再投影到可见表面并编码为原生观测隐变量,由交错流 Transformer 固定为只读锚点生成完整材质隐变量。
可灵(Kling)官方账号发布 4.0,配文“The art of 4.0”,并带上 #Kling4 与 #KlingAI 标签。被引用的 @2x_labs 内容称可灵 4.0 已正式发布,宣传语为“以想象,定义下一帧”。
推荐理由:可灵官方账号放出 4.0 发布信号,创作者可据此关注新版本在视频生成上的能力变化。
💖🖤 #Kling4 #KlingAI
每个创意都值得被拍出来。🎥 #Kling4 #KlingAI 可灵 4.0 与可灵 4.0 Flash 即将登陆 Runware:单次请求支持 30 秒输出、10 个关键帧、15 个参考,4K 画质带立体声。
用 #Kling4 #KlingAI 做黏土动画 😎
一镜飞越所有。✨ #Kling4 #KlingAI
Black Forest Labs 研究科学家 Yumeng Li 与 ComfyUI 创意技术专家 Paul Hansen 直播对谈 FLUX 3 Image 的研发决策与取舍。该模型支持用边界框构图、逐框编辑图像,未改动区域保持不变,并可同时进行多处定向编辑。它还支持最多 10 张图像的多参考生成,原生输出 2K 和 4K,并配套 ComfyUI 竞赛,奖池价值 2.5 万美元。
纯正90年代风。🔥 #Kling4 #KlingAI