​字节跳动公司旗下的智能AI助手豆包近期对其文生图能力进行了升级，新功能支持用户通过一键操作生成含有指定文本的图片。豆包大模型团队的相关负责人指出，豆包的文生图模型通过整合LLM（大型语言模型）和DIT(数字图像技术)构架，优化了对中文数据的学习能力，并在此基础上加强了汉字的生成能力，显著提高了生成效果。

本周，阿里云通义万相团队推出了全新的图像编辑模型ACE，旨在为用户提供更加便捷、智能的图片生成与编辑服务。用户仅需通过简单的口语化指令，就能生成或修改图片，极大简化了图像编辑的复杂度。该工具支持广泛应用场景，包括风格化写真、分镜制作、室内设计等。ACE模型不仅支持文本生成图像（文生图），还具备强大的图像编辑功能。用户可以通过对话的方式进行可控视觉编辑、元素修改、区域重绘、分层编辑等任务。例如，用户只需输入“修改证件照背景”或“一键去除水印

百度世界2024大会上，百度创始人李彦宏发表了题为《应用来了》的演讲，发布了两项新技术 —— 检索增强的文生图技术（iRAG）和无代码工具 “秒哒”。李彦宏表示，过去24个月，AI 行业发生了显著变化，尤其是大模型在生成内容时已大幅减少幻觉现象。文心 iRAG 技术旨在解决大模型在图像生成中存在的幻觉问题，提升 AI 生成内容的实用性。与传统生成模型不同，文心 iRAG 通过结合百度海量图片资源，能够生成更加真实的图像。这一技术特别适用于品牌宣传、影视制作和其他创意产业，

生成式AI发展迅猛，但如何全面评估其性能一直是个难题。各种模型层出不穷，效果也是越来越惊艳。但是，问题来了，怎么评价这些文生图模型的效果呢?传统的评价方法，要么是靠人眼看，主观性太强;要么是用一些简单的指标，比如CLIPScore，但这些指标往往无法捕捉到复杂文本提示中的细节，比如对象之间的关系、逻辑推理等等。这就导致很多文生图模型的评测结果不准确，甚至会出现一些搞笑的情况，明明生成的图片驴唇不对马嘴，得分却还挺高。为了解决这个问题，卡耐基梅隆大学

阿里巴巴通义实验室最新研究表明，现有的文生图 Diffusion Transformer 模型其实已经具备生成多张具有特定关系图像的能力，只需稍加“点拨”就能“融会贯通”，生成高质量的多图集。传统的 Diffusion 模型更像是一个“死记硬背”的学生，需要用海量数据训练，才能生成高质量的图像。而有了 IC-LoRA 加持，它就变成了“触类旁通”的学霸，只需要少量样本就能学会新技能。这背后的原理说起来也不复杂，研究人员发现，现有的文生图 Diffusion 模型其实已经具备一定的“上下文学习”能力，只

日前，Canva 推出了一系列全新的 AI 功能，其中最引人注目的要数它的新图像生成工具 ——“Dream Lab”。这个工具是 Canva 收购了生成 AI 初创公司 Leonardo.ai 后推出的，利用了 Leonardo 的 Phoenix 模型（别和 Adobe 的 Firefly AI 搞混了哦）。用户现在可以通过描述来生成各种风格的图像，比如 “3D 渲染” 和 “插图”。在此之前，Canva 已经拥有基于 Stable Diffusion 的 AI 图像生成器，并且还支持多个第三方应用。但这次的 Dream Lab 带来了许多改进，尤其在摄影风格和多主题图像的生成上表现得更好。而且

昨日晚间，Stability AI发布了其最强大的模型——Stable Diffusion3.5，这不仅是一个单一的模型，而是一个包含三个版本的全家桶，旨在满足从科研人员到业务爱好者、初创公司和企业的多样化需求。这三个版本分别是Stable Diffusion3.5Large、Stable Diffusion3.5Large Turbo和即将于10月29日发布的Stable Diffusion3.5Medium。

智谱技术团队今日发布了一则振奋人心的消息，他们最新研发的文生图模型CogView3及其升级版CogView3-Plus-3B已正式开源，同时在"智谱清言"App中成功上线。这两款模型的问世，标志着AI辅助艺术创作迈入了一个新的阶段。CogView3作为一款基于级联扩散的文本转图像模型，其生成过程堪称精妙。模型首先生成一幅512x512像素的低分辨率图像，随后通过中继扩散过程将其提升至1024x1024，最终再次迭代，呈现出一幅2048x2048的高清大图。这种层层递进的生成方式，犹如数字画家在画布上逐步完善作品，为

近日，智谱AI向公众开源了其最新力作——CogView3及其升级版CogView-3Plus-3B，为文生图领域注入了新的活力。CogView3的亮相无疑是一个重要里程碑。作为首个在文本到图像生成领域实现中继扩散的模型，它采用了独特的级联扩散方法。这种创新性的approach首先生成低分辨率图像，随后通过基于中继的超分辨率技术来完成最终输出。这不仅大幅提升了生成图像的质量，还显著降低了训练和推理的成本。最令人瞩目的是CogView3的性能表现。根据人类评价结果，CogView3在生成质量上超越了当前最先进的

文生图领域又迎来了一个引人注目的新星。一个被称为"蓝莓"的神秘模型突然出现在AI竞技场上，以惊人的表现迅速登顶，引发了业界广泛关注和热议。这个名为"蓝莓"的模型凭借其出色的表现，在榜单上力压了包括OpenAI的"草莓"、Flux.1、Ideogram v2和Midjourney v6.1等知名对手，一时间成为了文生图界的新晋霸主。然而，关于"蓝莓"的真实身份，却引发了网友们的诸多猜测和讨论。有趣的是，许多人认为"蓝莓"可能与Flux有着密切的联系，背后可能隐藏着一个名为黑森林实验室的团队。这一猜测并非

百度输入法宣布全场景AI创作助手「超会写」全面升级，集成了AI创作、AI聊天和AI智能问答等多种功能，强化了其作为AI输入法产品的综合实力。此外，百度输入法还新上线了「文生图」等多模态创作功能，进一步提升了用户在不同场景下的内容创作体验。

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。

2024年8月21日，Ideogram团队隆重发布了其最新版本的文本到图像模型——Ideogram2.0。这一重磅更新不仅为用户带来了免费的使用权限，更引入了一系列创新功能和工具，标志着文本到图像技术的一次重大飞跃。

腾讯混元文生图大模型（HunyuanDiT）近日联合社区发布了三款新的可控制插件ControlNet，分别为tile(高清放大)、inpainting(图像修复与扩充)和lineart(线稿生图)，进一步扩展了其ControlNet矩阵。这些插件的加入，使得混元DiT模型能够覆盖更广泛的应用场景

谷歌文生图模型Imagen3的“ImageFX”功能正式对全员开放，提供更优的提示词交互体验。用户仅需输入描述性文字，系统便能生成相应图片，并对提示词进行优化，提供多种选择以提升生成效果。此外，Imagen3还具备局部修改功能，用户可使用笔刷工具修改图片局部，并填写相关描述词，系统将自动生成修改后的图片，大大提高了图片生成的灵活性和便利性。

「秒画趣拍」是一款基于商汤科技的"日日新·秒画"文生图大模型开发的AIGC创意写真和自拍合照微信小程序。自上线试运营以来，该小程序迅速获得了用户的广泛欢迎，注册量和日活跃用户数持续上升。在试运营的第9天，日活跃用户数已突破52万，用户总量超过146万，日页面浏览量（PV）达到4117万，网络请求次数超过亿次。

在7月17日的三星手机新品发布会上，美图公司与三星宣布深化合作，美图的AI奇想大模型将为三星Galaxy折叠屏手机Galaxy Z Fold6和Z Flip6用户带来“文生图壁纸”和“涂鸦生图”功能。通过关键词设定，用户可生成融合艺术美学创意壁纸或使用S Pen涂鸦转化为艺术作品，美图影像研究所强调其AI模型在光影、色彩和构图上达到专业水准。特别是“涂鸦生图”功能，通过AI精准识别涂鸦内容。AI与智能手机的结合，正在革新图像市场，降低专业图像编辑门槛，为用户创造更多个性化艺术体验，推动手机图像领域创新发展。

字节跳动团队计划于7月19日（本周五）首次大范围公布其最新人工智能模型技术进展。此次公布的内容涵盖文生图、类Sora新视频等全新AI模型，特别在长视频和高动态方向上将展示创新技术，有望直接对标OpenAI的Sora文生视频模型。

由港大和字节的研究人员共同开发的LlamaGen是一个基于自回归模型Llama的图像生成方法，它在图像生成领域展现出了超越传统扩散模型的潜力。LlamaGen的开源发布，迅速在GitHub上获得了近900颗星标的认可。这一成果不仅证明了自回归模型在图像生成上的竞争力，还为开源社区带来了新的活力和创新动力。

腾讯混元文生图大模型（混元 DiT 模型）宣布全面开源训练代码，包括 LoRA 插件和 ControlNet 插件。LoRA 是一种用于微调大型语言模型的技术，可以在不修改原有模型或增加模型大小的情况下，利用少量数据训练出具有特定特征的模型。