Midjourney创始人兼CEO David Holz近日在Discord上的"办公时间"中，亲自分享了公司当前项目的最新进展，并回答了社区用户的问题。这次交流透露出Midjourney正在进行多方面的技术创新，以应对日益激烈的AI图像生成领域的竞争。新版本推迟但功能更丰富尽管Midjourney在短时间内取得了快速进步，但最近新模型的发布频率明显放缓。公司最新的6.1版本是在7月份发布的，此后用户经历了一段较长的等待期。原计划在夏季前推出的第7版现在有了新的时间表:预计将在一到两个月内准备就绪。Holz表示，开

Stability AI 与亚马逊网络服务 (AWS) 合作，引入三款全新文本到图像生成模型至 Amazon Bedrock 服务，以提升商业定位和市场竞争力。这三款模型——Stable Image Ultra、Stable Diffusion3Large 和 Stable Image Core——分别针对不同需求，提供从高质量图像生成到快速大批量图像生产，以及更经济的选择，满足市场营销、广告和设计行业等不同场景。其中，Stable Image Ultra 作为旗舰产品，专为需要极高视觉效果的行业设计，如市场营销和建筑设计。Stable Image Core 则提供经济实惠的选择，适合一般需求。Stability AI 通过这些合作和新模型的引入，旨在扩展市场渠道，通过会员模式和 Stable Assistant 聊天机器人提供服务，并考虑通过云服务提供商、系统集成商和其他模型服务提供商扩大模型的可及性。在经历领导层变动后，Stability AI 正寻求新的增长机会。

阶跃星辰开放平台体验中心推出图像生成大模型Step-1X，此模型在2024年世界人工智能大会上首次亮相，与Step-2语言模型及Step-1.5V多模态模型一同发布。Step-1X与上海电影合作，基于《大闹天宫》经典IP开发H5互动体验，即使数据资源稀缺，仍能生成高质量图像。强调深度语义对齐与细节生成，采用自研DiT模型架构，支持长指令输入，适用于广告、游戏、影视等多种场景，特别在处理中国元素和文化时展现独特优化优势。用户可通过链接体验。

FLUX.1-dev-LoRA 是一款创新图像生成模型，专长于将现实与插画元素融合，创造出独特视觉效果。基于 FLUX.1-dev 训练而成，它能将前景角色描绘为插画风格，背景保持现实主义，适用于生成社交平台上的创意图像。用户通过提供场景描述和角色动作提示，即可生成符合需求的图像。官方提示词示例展示了如何描述以实现特定艺术风格融合。在线体验与下载模型链接提供给用户，使用时推荐调整 LoRA 权重以优化生成效果。

CSGO是InstantX团队与南京理工大学、北京航空航天大学及北京大学合作开发的一种全新风格迁移模型，旨在提升图像生成技术，特别强调内容与风格的结合。该模型支持三种模式：1）内容图片与风格参考图片合成风格图片；2）风格参考图片与文字提示合成对应内容风格图片；3）通过文字编辑图片中的指定对象。CSGO的核心在于其独特的数据构建流程，通过设计的数据生成和自动清洗管道，构建了一个包含21万个图像三元组的IMAGStyle大规模风格转移数据集。该模型通过端到端训练，能够明确区分内容和风格特征，且在推理阶段无需额外微调。CSGO不仅保留了文本到图像的生成能力，没有对UNet进行训练，而且在图像驱动、文本驱动的风格转移以及文本编辑驱动的风格合成方面表现出色。实验结果显示，CSGO在风格控制能力上优于现有技术，展示了图像生成的新高度。

Playground应用新版推出，显著增强图像编辑实用性与便捷性。用户能对海报文字进行增删改，调整位置与样式；上传图片后，通过文字指令轻松移除或添加元素，如删除树木，添加新物件。新版应用新增设计需求分类，包括海报、Logo、T恤等，用户可从模板选择或自创设计，大幅提高设计灵活性，满足多样化需求。此更新极大便利了用户进行细致的图像编辑工作。

Freepik的AI图像生成模型Mystic，通过与Magnific AI的合作，开创了AI创作的新纪元。这款模型不仅能够生成超逼真的图像，还能在复杂场景中精准捕捉细节，甚至在图像中生成逼真的文字，达到了全高清水平。Mystic的独特之处在于它融合了Stable Diffusion、Flux和Magnific的自有模型优势，经过了由专业团队精心调校。测试显示，无论提示多么复杂或简单，Mystic都能产出令人震撼的结果，如猫咪弹钢琴、巨龟背负城市、火焰编织的头发女性和机器人绘制星空等，每幅作品都展示了Mystic在光影处理和艺术表达上的高超技艺。尽管目前仅对Freepik平台的高级用户开放，但Mystic的潜力已引起业界广泛关注，标志着AI图像生成领域正迅速发展。Mystic不仅展示了AI技术的最新进展，也为创意工作者提供了一种强大的工具，预示着AI辅助创作将在不久的将来成为主流，为视觉艺术领域带来前所未有的创新和突破。

谷歌宣布重新启用AI聊天机器人Gemini的人物图像生成功能，旨在生成包括照片级逼真风景、纹理油画等在内的多样化内容。该功能由谷歌的AI文本转图像生成器Imagen3提供支持，目前仅支持英语，将在未来几天内向Gemini Advanced、Business和Enterprise用户开放。新升级的Imagen3模型性能更佳，且内置安全措施，优化以避免历史不准确问题，确保生成的图像准确、适当。Gemini的AI生成人物图像功能与谷歌新推出的Remagine功能有所不同，后者专用于在Pixel9手机系列拍摄的照片中融入AI元素。Gemini功能在内容安全方面设有严格限制，如不允许创建公众人物的逼真图像、涉及未成年人的内容或血腥、暴力和性爱场景。谷歌计划未来将AI生成人物图像的能力扩展到更多用户和语言版本，以满足全球用户需求，展示其在AI图像生成技术上的进步和对技术伦理与安全挑战的应对决心。

知名AI图像生成服务Midjourney宣布进军硬件市场，邀请对旧金山新团队感兴趣的人员发送邮件至hardware@midjourney.com。前Leap Motion CTO David Holz和苹果Vision Pro硬件工程经理Ahmad Abbas加入，产品形态预计非可穿戴，需“进入”使用。Midjourney回应AI图像生成领域竞争，更新界面并提供25次免费图像生成服务。公司强调新设备非早期AI设备设计，暗示可能采用创新形式。面对行业挑战，Midjourney的硬件计划引起市场期待，但AI驱动硬件市场反馈不一。OpenAI CEO Sam Altman与苹果设计师Jony Ive的合作也可能推动未来硬件市场发展。

谷歌推出了其最新的图像生成工具Imagen3，通过Vertex平台向美国用户开放。该工具能生成更细腻、光影效果更佳且干扰伪影更少的图像，使用方式简单，用户输入描述即可生成图像。Imagen3在生成图像时存在限制，如无法生成公众人物、武器或特定版权角色的图像，但可通过描述性语言绕过这些限制。用户反馈称，Imagen3能生成与知名角色和品牌徽标相似的图像，效果令人印象深刻。然而，该工具并非没有问题，谷歌此前因生成与历史事实不符的图像而停止了用户的使用。

Getty Images与NVIDIA合作，推出升级AI图像生成工具，速度提升至6秒生成4张图片，比前代快一倍。新模型采用NVIDIA Edify架构，输出质量显著提高，支持更长指令输入，图像放大效果更佳，且能对模型进行微调。工具新增AI图像修改功能，用户可修改生成的AI图像和预拍摄创意图像，包括添加或更改元素、扩展画布等。此功能已上线iStock，并将很快在Getty Images平台推出。模型训练来源于Getty Images的创意库，确保无商标、标志等第三方知识产权元素。公司承诺为商业使用提供赔偿，并提供微调功能，允许企业客户整合品牌资产，构建定制化模型。此次更新旨在提升创意流程效率与安全性，为企业与个人提供强大工具。

埃隆·马斯克的AI助手Grok新推出图像生成功能，允许用户生成如特朗普的限制级图片，引发争议。这一功能由Black Forest Labs开发，这家公司近期获得包括Andreessen Horowitz在内的3100万美元投资。FLUX.1，Black Forest Labs的AI模型，以其高质量超过Midjourney和OpenAI产品。然而，这种自由创造带来的问题是版权滥用和假新闻泛滥。马斯克认为过多的安全限制会削弱AI安全性。Grok生成的图片无水印直接发布，可能引发信息灾难。用户需提高辨识能力，谨慎面对AI生成内容。

埃隆·马斯克的xAI公司发布新版AI模型Grok-2和Grok-2mini，显著提升推理能力，用于生成图像及AI驱动功能。Grok-2是对Grok-1.5的重大升级，新功能在聊天、编码和推理方面表现突出。Grok-2mini则更小巧且功能强大。测试版已向X平台的Premium和Premium+用户开放。新功能引发关注，特别是图像生成能力，已用于生成政治人物图像，但未设置限制，可能导致虚假信息传播风险。Grok生成的图像可能缺乏AI生成性质的元数据标识。此外，xAI计划在X平台部署多项AI驱动功能，包括改进的搜索、帖子分析和回复系统，以及多模式理解预览。Grok-2在代码生成、编写和新闻方面表现改进，企业API计划开放使用权限，扩大应用范围，但可能带来新挑战。

在一场关键的版权侵权诉讼中，法官裁定视觉艺术家针对知名 AI 图像和视频生成公司的诉讼可以继续进行，并进入发现阶段。艺术家指控这些公司未经允许使用他们的作品训练 AI 模型，包括 Midjourney、Runway、Stability AI 和 DeviantArt 等。案件焦点在于 AI 公司是否构成“诱导侵权”，法官表示指控足够强大，允许案件深入调查。艺术家们希望揭示 AI 公司的训练数据集和内部文件，特别是关于使用开源 Stable Diffusion AI 模型和 LAION-5B 数据集的情况。此次裁决意味着艺术家将有机会了解 AI 公司不愿公开的信息，并可能承担版权侵权责任。法官驳回了基于《数字千年版权法案》的部分指控，并注意到艺术家的名字和作品元素在 AI 模型训练中被使用，这构成版权侵权的可能性。案件的进一步发展将关注 AI 艺术生成公司如何为自己的训练实践和模型输出辩护。

Clapper是一款由个人开发者独立制作的AI生成和视频剪辑工具，集成了图像生成、视频生成、语音等多种AI技术。它提供图像、语音、音乐生成和视频生成API接入，允许用户在一个平台上完成从创意构思到最终成片的全过程。Clapper具有时间轴功能，支持生成内容并进行编排剪辑，并提供传统界面和无限画布两种模式，分别满足发散思维和精细编辑的需求。作为开源工具，Clapper致力于让非专业用户也能通过直观、迭代的方式使用AI创建视频，降低视频创作门槛，激发更多创意。其开发团队正在开发的“导演模式”进一步提升了创作体验。Clapper的出现为内容创作行业注入了活力，但同时也提醒创作者在AI辅助下保持作品独特性和人文关怀的重要性。

加州大学伯克利分校的研究揭示，大型语言模型在自动提示修改后，显著降低了DALL-E3生成图像的质量，降幅达58%。通过在线实验对比DALL-E2、DALL-E3及带有自动提示修订的DALL-E3，发现DALL-E3在技术能力提升和用户提示策略适应性方面优于DALL-E2。研究指出，DALL-E3用户通过更长、更具语义相似性和描述性的提示，实现了更高的图像匹配度。这表明，虽然新模型能力增强，但提示策略对于挖掘其潜力至关重要。自动化工具可能限制用户表现，用户需灵活调整提示策略，以获得最佳图像生成效果。

苹果公司近期推出了一种名为Matryoshka Diffusion Models（MDM）的创新图像和视频生成技术，形象地称为"套娃扩散模型"。MDM采用了一种在不同分辨率下同时处理图像的突破性方法，实现了从低清晰度草图到高清晰度细节的无缝生成，其核心技术理念类似于俄罗斯套娃，每个层次都包含一个更小但功能完整的子结构。这种创新方法的核心架构被称为NestedUNet，能够同时驾驭多个分辨率的图像处理，通过在多个分辨率上进行联合去噪，生成的图像细节更加丰富，更具真实感。MDM在高质量图像和视频生成模型中展现出卓越性能，特别是在类条件图像生成、文本到图像和文本到视频的转换应用中。即使在相对有限的数据条件下，MDM也能生成高达1024x1024像素分辨率的图像，具有惊人的零样本泛化能力。未来，MDM有望在虚拟现实、增强现实、电影制作、游戏开发等领域发挥重要作用，为数字创意世界带来新的可能性。

OpenAI 近日宣布，ChatGPT 的免费用户现可每日生成两张由 DALL-E3 模型创造的图片，这标志着 DALL-E3 的首次对免费用户开放。这一功能的推出，通过 ChatGPT 生成的提示简化了图像创作过程，使得用户仅需简单描述即可获得精美的图像设计。DALL-E3 在上月的亮相主要针对付费用户，而今的更新为所有用户提供了一种便捷的创作工具。OpenAI 表示，此功能正在逐步实施中，部分用户已开始体验。在生成过程中，用户通过 ChatGPT 提出需求，DALL-E3 则生成四个不同选项供选择，展示出其强大的图像生成能力。此外，OpenAI 还宣布了 GPT-4o 模型的安全评估发布和新董事会成员的加入，同时 CEO 山姆·奥特曼收到了民主党议员关于其安全记录的询问。这一系列动态凸显了 OpenAI 在技术进步与安全责任方面的持续努力，值得业界关注。

PanoFree是一种创新的多视角图像生成技术，无需调优即可生成包括长图、360度全景和天空盒图在内的多视角全景图像。其核心在于通过迭代的变形和修补过程，解决生成过程中的一致性问题和伪影，同时提升跨视角意识。PanoFree采用跨视角指导、风险区域估算、擦除和对称双向引导等技术，结合基于引导的语义和密度控制，确保场景结构的保留。实验显示，PanoFree在错误减少、全局一致性提升和图像质量上表现出色，时间效率提高5倍，GPU内存使用效率提升3倍，结果多样性提升2倍，为希望降低成本、避免繁琐微调或使用额外预训练模型的研究者提供了高效解决方案。

亚马逊近期发布了其内部AI模型Titan Image Generator的升级版本v2，为使用AWS Bedrock生成AI平台的客户提供了一系列增强功能。Titan Image Generator v2不仅保留了原有功能，还新增了图像调节、配色方案控制、背景移除优化以及主题一致性保持等特性。用户可通过提供参考图像和文本提示，精确控制生成图像的内容，甚至控制配色方案和保持特定主题的一致性。该模型还具备智能识别多个前景对象的能力，并提供背景移除功能，确保主要对象清晰展现。此外，AWS为用户提供了赔偿政策，以保护生成内容不侵犯版权。Titan Image Generator v2已在部分地区上线，预计未来将覆盖更多区域。亚马逊对生成AI技术充满信心，认为它将在云端快速发展。