生成AI新闻汇总:Embedding Gemma Transcribe、Claude Models on Google Cloud、HeyGen Video 1、Ideogram Vector、BlenderWorld、MOSS-Image-Edit 等
Google Gemma 官方展示实验项目 Embedding Gemma Transcribe,利用 EmbeddingGemma 2 的统一音文向量空间,本地约 13 秒转写 1 小时音频。
Google Gemma 官方展示实验项目 Embedding Gemma Transcribe,利用 EmbeddingGemma 2 的统一音文向量空间,本地约 13 秒转写 1 小时音频。
Reddit 用户称 Flux 3 表现糟糕,更新节点后仍出现“身体恐怖”式生成错误,质疑 BFL 团队是否作出回应,并追问这是否是在戏弄开源社区。该用户还提到约一个月前免费试用 demo 时,用模糊提示词生成可乐罐的效果惊人,但图片已被删除。
用户为《数码宝贝》角色 Kari Kamiya 第一季形象制作 SFW LoRA 并计划上传 Civitai,但生成结果看起来更接近她在第二季的年龄。该角色单独图片素材有限,需手动添加标签才能还原正确发色与服装,作者希望直接在 LoRA 中修正年龄表现,以便后续加入其他角色合影。
用图像生成 AI 做标题图、给文案定下「12 字以内」字数上限的人,把 10/4 至 10/22 的 19 篇文案按字数排开后发现,10/17 至 10/21 连续 5 篇都达到 12 字以上,其中 10/20 为 13 字、超出上限 1 字,理由是保留「にも」以与正文说法一致。
一位停用图像生成多年的用户重新用起 ComfyUI,试了 Qwen Edit 2.1 和 FLUX 2 Krea,Qwen 效果尚可但不知如何提示生成同一角色的多张不同图像。他的用途是把网上找到的神话生物小图、像素化人脸小图扩成数据集,硬件为四块 RTX 3090 共 96 GB VRAM、64 GB 内存和较慢的 Threadripper CPU,日常主要跑 LLM,经验有限。
Canva 于 10 月 22 日发布 Craft 图像生成模型,采用先构图规划、后像素渲染的两阶段流程,支持 2K 输出、30 多种宽高比和 55 种语言的图中文字,已通过 Canva Dream Lab 和公开 API 开放使用。
PixAI 的 Tsubaki.3 支持用自然日语文章写提示词,比标签格式更容易还原指定动作。作者以“银杏并木道上回头挥手的女孩”为例,用文章形式指定右手提包、左手抬至肩高挥手、全身含鞋底入画,生成后仅用日语指令把胸前的蝴蝶结改成深红色。
Canva 将自研图像模型 Craft 向所有人开放,并在 Dream Lab 与公开 API 提供,官方称其在 DesignArena 上 Elo 1340、模型总榜第 4,人物与风景两个分项第 1。
一款名为 MOSS 的 LoRA 发布,可直出 Instagram 网红生活风照片,自带暖调、柔和色彩与自然光感,无需额外滤镜或修图。该 LoRA 兼容 Moss base、SFT 和 Kromos,适用于自拍、手机随手拍、街头时尚、咖啡馆与旅行等日常场景,权重建议 0.6-1.0,无需触发词。
Recraft V4.1 Flash 以约 1.3 秒生成一张图的速度主打快速出图,代价是先生成较低分辨率,再可选通过 enhance 功能放大并优化画质。自定义风格支持用参考图构建、内置示例提示词预览,并新增通过链接分享给他人套用。Recraft 仍提供免费方案,用户可试用 V4.1 Flash 与风格工具。
Tagtelier 官网免费公开了一套用 Anima 生成的提示词插画集,每张图都附带提示词与生成设置(模型、采样器、CFG、步数、尺寸、种子)。提示词按质量、人数、容姿、表情、服装、小物、姿势、背景、构图等项目拆分,可逐项勾选复制或单独剔除某个词。
用AI画像生成做单眼皮男性角色时,插画化后常变成双眼皮,于是改用实拍风格继续创作。作者把单眼皮男主设定为年龄偏大、微垂眼、卷发,塑造成“好人到危险”的夺爱角色,再生成对手戏浓颜帅哥后,画面呈现出强烈的泰国BL剧感。
作者用 Animagine XL 4.0 Opt 在 ComfyUI 中生成「仰卧、头枕枕头、长发散开、回望镜头」的动漫角色,分辨率 1152×896、Seed 202610171、Steps 28、CFG 5,未使用 LoRA 与 ControlNet,仅靠标签组合构图。
在 AMD XDNA 2 NPU 上运行图像生成模型 Anima,借助 MLIR-AIR 将 Attention 相关处理融合到 NPU 内部执行,512 尺寸生成时间从 35 秒级降至 25 秒级,缩短约 10 秒。
一位用户分享称,在 Gemini 上用替换提示词比从零生成更容易得到一致结果:给女性图像补下半身和腿时,AI 会重绘整个人导致出错,改为把已有女性替换进一张全身图后,特征通常能正确迁移,再替换下半身衣物即可。复杂场景同理,先找一张目标场景图再替换角色,比从零创建省时得多。
在 M1 Max 64GB 的 ComfyUI 中用 Anima-Base v1.0 训练的角色 LoRA 测试七个 2B Anima 衍生模型,相同提示词与 seed 42 下,仅 RDBT v2.3 在全身和半身图中都保住了 Kei 的红色领结,且把两个角色画成了四个。Hotaru Blend 与 CapAnima 在 8 步下约 38 秒出图,Base 在 30 步下约需 260 秒。
在 M1 Max 64GB 上用 ComfyUI 测试 Nova Anime AM、CottonAnima、AMIXA、JANIMA 四款 Anima 2.9B 衍生模型,将基于 28 块 Anima-Base v1.0 训练的角色 LoRA 重映射到 40 块后,948 个键中 840 个完成重映射,四款模型均保留角色发型。
用户 COMPLOGICGADH 用 MOSS IMAGE base 模型在无 LoRA、无微调条件下生成了一批以写实为主、兼有艺术风格的图像,全部固定 seed=11932 以便复现。
作者发布 PixText,一个不到 1B 参数(约 0.95B)的模型,用于修复生成图像中错乱的文字和汉字。该模型直接在像素空间训练,不需要文本编码器或 VAE,借助 MeanFlow 仅用 4 步采样完成文字修复。在 ComfyUI 中可框选区域并输入正确文字,或先自动检测文字再调整建议框,对比节点会展示每个区域修复前后的效果。
推荐理由:针对生成图中小字被 VAE 压缩糊掉的问题,作者给出像素空间修复模型与 ComfyUI 框选改字流程。
作者借助 Claude 编写台本、用 Comic Creator 绘制漫画,制作 workflow studio 与 comic creator 的 AI 漫画解说书。
ArchiGen 指出,免费 AI 渲染方案的“免费”只说明价格,不代表账号类型、项目用途和商业输出获得许可。采购方需核对资格条款、商用条款、输出权利、额度重置与导出删除规则,并保存带日期的条款副本。免费额度下的预览、失败任务、变体和超分可能共用同一计量单位,导出文件的分辨率、水印与元数据也需在交付前确认。
一位用户在 ComfyUI 社区求助:如何把不同人物放进同一张图,同时不丢失各自的面部身份,并让他们摆姿势、一起做其他动作。该用户已用 krea 2、flux Klein 9 distilled 模型配合基础图像编辑工作流尝试,硬件为 AMD 6570xt、12GB 显存和 32GB 系统内存,希望有人推荐可行的工作流。
Promptsref 公布本周 Midjourney 三大热门 SREF 风格:复古日本动画插画、粉金梦幻时装超现实,以及古典雕版手绘上色。三者分别对应深夜 OVA 怀旧、商业时装大片与博物馆版画质感,均可通过 --sref 快速测试并复用于系列创作。
作者用 MOSS-Image 测试了 20 种动漫与漫画风格,涵盖 90 年代赛璐璐、少年 Jump 封面、杉森建水彩、作画与汉字排版,并附上 ComfyUI 工作流。
Kijai 的 MOSS-Image Edit LoRA 支持已并入最新 ComfyUI Portable,MOSS-Image 由此具备 Edit 模型能力及类 ControlNet 基础功能。配套还出现 CharRef v2 角色参考节点、9.4Gb Dirty MOSS 写实微调、动画风格 LoRA,以及 500 条可用提示词与示例图库。
VN.ai 对比约15种图像生成AI后发现,Midjourney 生成侵权风险图像的比例最高,约37%,且在被两家电影公司起诉约一年半后改善有限。日テレHR総合研究所用生成AI为富山县射水市消防团制作了3支风格各异的招募CM,含32秒横版实拍风、37秒竖版动画、35秒横版实拍。
针对 ComfyUI 用户记不住光照提示词效果的问题,作者制作了一个自定义节点,点击即可选择逆光、聚光灯、God Rays、粒子、低调、镜面反射等光照表现词,鼠标悬停还会显示文字说明。示例中为铠甲人物叠加这些词后,画面从平淡变为厚重庄严的氛围。作者同时指出,Krea2 等新世代模型本身质感已较高,但该节点可用于精准命中想要的光照效果。
用户反馈 Krea2 虽非编辑模型,但通过编辑节点操作时输出丢失大量细节并出现像素漂移。其已尝试多种采样器/调度组合、8/10/12 步、二次超分、Krea2 enhance LoRA、raw/turbo 模型及 Wan2.1 VAE 等方案均无明显改善,询问是否只能等 Krea3 本地版。
用户测试了 Kromoss 与 DMD LoRA 的组合,认为其种子多样性表现不错,创意感让人联想到早期 SDXL 模型。
社区讨论选出当前开源模型中的优胜者:I2V 与视频编辑为 Minimax H3,文生图为 Krea 2、Ideogram 4 和 AnimaYume,图像编辑为 Qwen Image 2.1。
爱沢在 X 上公开了 10 月 22 日早晨至 23 日深夜发布的 5 张插画所用 ChatGPT 图像生成提示词,覆盖朝、昼、夕方、夜、深夜五个场景,可免费用于自己的角色。
一位新手用 FizGig 默认设置训练 MOSS 风格 LoRA,精选并严格标注 150 张图,设定 30 epochs,但到第 18 个 epoch 时 loss 始终无法低于 0.44,并在 0.48 至 0.56 之间反复回升,因此中止训练并向社区求助是继续还是调整参数。
MOSS-Image 在 2026 年 10 月 22 日获得首个指令编辑 LoRA chinoll/Moss-Image-Edit,这是一个 rank-64 适配器,接收 1 到 4 张参考图和一段文本指令,覆盖颜色、服装、光照、季节与视觉风格等改动。
推荐理由:社区为 MOSS-Image 补上指令编辑 LoRA,文中给出 ComfyUI 原生与节点包两条接入路径和默认参数,可对照现有编辑流程评估。
Higgsfield AI 免费版 10 个积分不足以生成任何视频片段,最便宜的 4 秒 Seedance 2.5 Draft(480p)需 12 积分,5 秒 1080p 的 Cinema Studio 4.0 片段则需 80 积分。
Canva 发布首个自研图像生成模型 Canva Craft,采用两阶段流程,先生成包含空间关系、相对比例与视觉层级的规划,再输出最高 2K 分辨率、支持 30 种画幅比例的图像。
Reddit 用户 Winter_unmuted 分享了一套基于 Flux3 的一次性、可调图像到图像风格迁移工作流,核心是参考 latent 加节点。作者称可分别调节构图强度(起始越晚越弱、更有创造性)与图像风格相对提示词的强度(越早越偏图像风格,越晚越依赖提示词),并附上渐变示例。
用户 Unit2209 分享了用 MOSS Image 5B Base 模型生成的图像,未使用 LoRA 也未做微调,多数图片采用 50 步、CFG 3、1.5 百万像素的默认设置,且用的是 Base 模型而非 SFT 模型。图片文件已附带从 DeepBeepMeeps UI 提取的元数据,但不含细节备注。
作者为 MOSS-Image 做了一个可视化布局编辑器,用户可画布局框或套用模板、添加元素描述,再由 MOSS 生成成品,无需手写 JSON 或计算边界框坐标。
开发者发布免费开源应用 Sortypix,用左键拒绝、右键保留的方式一键筛选大量照片,文件自动移入 rejected 和 keep 子文件夹且不会删除,Ctrl+Z 可撤销。
针对号称“世界第一”的 Fibo V2 图像生成及编辑能力的全面测评已出炉,并与 Moss Image、Qwen Image 2.1 进行横向对比。测评围绕图像生成与编辑两类任务展开,具体分数与结论需参见原文实测结果。