Pollo AI 利用 OpenAI 模型将创意转化为广告活动
Pollo AI 借助 GPT-5.6、GPT-6 Astra 和 GPT‑Image‑2.5 帮助创作者将创意转化为详细的图像和电影级视频广告。
#图像生成
#图像生成
今日 0 条OpenAI NewsAI 评分3535
NVIDIA BlogAI 评分3535 NVIDIA Inception 初创企业利用 AI 填补乳腺癌诊疗空白
NVIDIA Inception 计划中的初创企业利用 AI 技术解决乳腺癌筛查与治疗中的痛点。iSono Health 的 ATUSA 平台通过 AI 实现自动化 3D 超声扫描，敏感度较传统手持超声提升 28%。Whiterabbit.ai 的 WRDensity 软件自动评估乳腺密度，Ataraxis AI 则通过数字病理切片预测治疗反应，加速临床决策。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 SynthID Bio 用于蛋白质水印
Google DeepMind 发布 SynthID Bio，将数字水印技术延伸至合成生物学领域，在保留蛋白质生物功能的同时实现物理层面的可验证性。该方法通过微调 AlphaFold 3 扩散网络，使预测的 3D 结构自带可检测签名，并在湿实验中对 VEGF-A 等靶点验证了功能一致性。
推荐理由：将数字水印技术延伸至合成生物学领域，在保留蛋白质生物功能的同时实现物理层面的可验证性。
Google Research精选AI 评分6868 Google Research 提出 Diffusion Controller 统一图像生成控制框架
Google Research 提出 Diffusion Controller 框架，将图像生成过程重构为连续控制问题，通过轻量级“转向阻尼器”网络动态调整生成轨迹。该框架在灰盒和全白盒环境下均优于 LoRA，实现了更优的质量与效率平衡。
推荐理由：提出统一控制框架解决图像生成引导难题，在受限访问下优于LoRA。
Hugging Face Blog精选AI 评分7272 Gradio 官方发布 Workflow1111，用 Gradio Workflow 重构 AUTOMATIC1111 功能
Hugging Face 官方博客发布 Workflow1111，将 AUTOMATIC1111 的核心功能重构为基于 Gradio Workflow 的节点图。
推荐理由：Gradio 官方展示了 Workflow1111 项目，将 AUTOMATIC1111 的核心功能重构为基于 Gradio Workflow 的节点图，支持多模型混合编排与 MCP 工具调用。
Google Research精选AI 评分7070 Google与NASA合作发布基于深度学习的全球甲烷排放卫星检测框架
Google Research与NASA JPL合作在PNAS发表论文，提出MAPL-EMIT深度学习框架，利用Swin-S视觉Transformer和360万合成数据，实现了对EMIT卫星数据中甲烷羽流的高精度检测与源定位。该模型在专家标注数据上召回率达84%，并开源了全球羽流数据库、训练模型及推理库。
推荐理由：论文提出结合物理模拟与视觉Transformer的深度学习框架，显著提升了卫星遥感甲烷排放检测的精度与灵敏度。
Microsoft Research精选AI 评分7575 微软开源 GigaPath-Flash 和 GigaTIME-Flash 高效病理基础模型
微软研究团队开源 GigaPath-Flash 和 GigaTIME-Flash，通过知识蒸馏将原始模型参数量大幅缩减，在保持竞争力的同时使推理成本降低约 50 倍、内存占用减少约 8 倍。这两个 Apache 2.0 许可的研究模型支持全切片表示学习和肿瘤微环境空间蛋白质组学预测，旨在降低计算门槛以推动大规模病理发现。
推荐理由：通过知识蒸馏显著降低算力需求，使病理大模型在大规模队列分析中具备实际可行性。
Hugging Face Blog精选AI 评分7676 Diffusers原生支持Nunchaku Lite 4-bit扩散推理
Hugging Face Diffusers原生集成Nunchaku Lite，支持4-bit权重与激活量化（W4A4），无需自定义Pipeline即可加载预量化模型。实测在Blackwell GPU上峰值显存降低约50%，推理速度提升约30%，配合torch.compile可提速至1.8倍。
推荐理由：Nunchaku Lite原生集成至Diffusers，实现4-bit权重与激活量化，显著降低显存占用并提升推理速度。
Google ResearchAI 评分3535 扩散模型创造力揭秘：基于 ICLR 2026 论文《On the Interpolation Effect of Score Smoothing in Diffusion Models》
Google Research 在 ICLR 2026 发表论文，揭示扩散模型的创造力源于神经网络训练中的“分数平滑”效应。正则化导致学习到的分数函数近似平滑，使去噪过程在训练数据点之间插值，从而生成新颖样本而非单纯记忆。
Hugging Face Blog精选AI 评分6767 Photoroom PRX 数据策略：从 Lance 探索到 MDS 流式训练
Photoroom 发布 PRX 模型数据策略，采用 Lance 格式进行数据探索与特征工程，利用 Qwen3-VL-8B 对图像进行长文本重标注，最终转换为 MDS 格式进行流式训练。
推荐理由：Photoroom 公开了 PRX 模型的数据构建全流程，提供了从数据探索、VLM 重标注到 MDS 流式训练的具体工程实践。
Google Research精选AI 评分6565 Google Research 发布覆盖50+全球城市的建筑级屋顶反射率数据集
Google Research 发布覆盖50+全球城市的建筑级屋顶反射率数据集，并上线 Heat Resilience Earth Engine App。该数据集基于 Sentinel-2 与高分辨率卫星影像融合生成，精度达30厘米，旨在帮助城市规划者识别低反射率建筑并实施降温干预。
推荐理由：原文提供了覆盖50+城市的建筑级屋顶反射率数据集及可视化应用，为城市热岛缓解规划提供了高精度数据支持。
Google DeepMind精选AI 评分8181 Google 发布 Nano Banana 2 Lite 图像模型与 Gemini Omni Flash 视频模型
Google 发布 Nano Banana 2 Lite 和 Gemini Omni Flash 两款模型。Nano Banana 2 Lite 主打极速低成本图像生成，4 秒出图，价格 0.034 美元/千张，可无缝替代旧版 Nano Banana。
推荐理由：Nano Banana 2 Lite 提供极速低成本的图像生成，Gemini Omni Flash 开放视频生成与对话编辑，两者结合可构建端到端的多媒体工作流。
Hugging Face Blog精选AI 评分6868 PP-OCRv6 发布：支持50种语言的轻量级OCR模型
PaddleOCR 发布 PP-OCRv6 模型家族，包含 1.5M 至 34.5M 参数的三档模型，支持 50 种语言。medium 版本检测 Hmean 达 86.2%，较 v5 提升 4.6 个百分点，提供 Transformers 和 ONNX 后端。
推荐理由：提供了从1.5M到34.5M参数的三档模型及多后端支持，便于评估其在不同场景下的部署可行性。
Hugging Face Blog精选AI 评分8282 利用 agents.md 链式调用 Hugging Face Spaces 构建 3D 巴黎画廊
Hugging Face 推出 agents.md 标准，使 Agent 能直接调用 Gradio Space 的 API 进行链式组合。作者通过该机制调用 ideogram-ai/ideogram4 生成图像，再经 VAST-AI/TripoSplat 重建 3D 高斯泼溅，最终自动构建并部署了 3D 巴黎地标画廊，展示了多媒体应用开发的模块化新范式。
推荐理由：通过 agents.md 实现 Hugging Face Spaces 的标准化调用与链式组合，展示了 Agent 构建多媒体应用的低成本路径。
Hugging Face Blog精选AI 评分7272 DharmaOCR论文：利用DPO在结构化OCR中抑制文本退化
Hugging Face转载Dharma AI论文，展示在SFT后引入DPO阶段，利用模型自身的退化输出作为拒绝样本，在五个视觉语言模型家族中平均降低59.4%的文本退化率。
推荐理由：文章验证了DPO在结构化OCR任务中抑制文本退化，为无标注场景下的模型优化提供了可迁移的方法。
Hugging Face Blog精选AI 评分6868 OlmoEarth v1.1 发布：计算成本降低至三分之一
AllenAI 发布 OlmoEarth v1.1 模型系列，通过优化 Transformer 的 Token 设计将计算成本降低至 v1 的三分之一，同时保持基准性能。该版本包含 Base、Tiny 和 Nano 多种尺寸，支持更高效的卫星图像推理与微调。
推荐理由：通过优化Token设计降低计算成本，为遥感模型的高效部署提供了可复用的工程实践。
Google DeepMindAI 评分5050 Google 扩展 SynthID 与 C2PA 内容验证工具至 Search、Gemini 和 Chrome
Google 将 SynthID 和 C2PA Content Credentials 内容验证工具扩展至 Search、Gemini 和 Chrome，帮助用户识别内容的生成来源与修改历史。
Hugging Face Blog精选AI 评分8080 Hugging Face 展示基于 OpenAI Privacy Filter 构建的三个 Web 应用
Hugging Face 展示了基于 OpenAI 开源隐私过滤模型 Privacy Filter 构建的三个 Web 应用：文档隐私探索器、图像匿名化工具和智能文本脱敏服务。该模型支持 128k 上下文，可识别八类个人敏感信息。
推荐理由：Hugging Face 展示了基于 OpenAI Privacy Filter 构建的三个 Web 应用，揭示了其在文档、图像和文本场景中的工程实践。
Google Research精选AI 评分7272 Google Photos 推出基于3D重建的照片视角重算功能
Google Photos 在 Auto frame 功能中新增视角重算能力，利用3D点云估计与生成式扩散模型，在保留原图可见内容的同时智能补全新视角下的隐藏区域，自动优化人像构图与广角畸变。
推荐理由：通过3D重建与生成式补全实现照片视角重算，为后期构图调整提供了新的技术路径。
Google Research精选AI 评分6060 Google 发布 PaperVizAgent 与 ScholarPeer 两个科研 AI 智能体
Google Research 发布两个实验性 AI 智能体：PaperVizAgent 可从文本自动生成出版级学术图表，在多项指标上超越 GPT-Image-1.5 等基线；ScholarPeer 模拟资深审稿人，通过多智能体协作和实时文献检索生成深度评审意见。
推荐理由：Google 发布两个实验性 AI 智能体，分别用于生成高质量学术图表和模拟资深审稿人，展示了 AI 深度介入科研流程的潜力。
Google Research精选AI 评分7575 Google Research 发布 AI 辅助乳腺癌筛查研究：双读流程可减 46% 工作量
Google Research 联合英国 NHS 发表两项研究，证实 AI 辅助乳腺癌筛查系统在双读流程中表现不劣于纯人工，且可减少 46% 的人工阅片工作量。AI 在独立检测中灵敏度高于首位放射科医生，能识别 25% 的漏诊间期癌，但需解决模型可解释性及数据漂移问题。
推荐理由：研究证实AI辅助双读流程在保持检测准确率的同时，可显著减少放射科医生工作量，为缓解医疗人力短缺提供实证。
Google DeepMind精选AI 评分8383 Google 发布 Nano Banana 2 图像生成模型
Google DeepMind 发布 Nano Banana 2（Gemini 3.1 Flash Image），结合 Pro 级智能与 Flash 速度，支持多主体一致性和精确文本渲染。该模型已上线 Gemini、Search、AI Studio 及 Google Ads 等产品，并集成 SynthID 和 C2PA 溯源技术。
推荐理由：Nano Banana 2 将 Pro 级能力与 Flash 速度结合，提供多主体一致性和精确文本渲染，适合快速迭代场景。
Berkeley AI ResearchAI 评分3535 基于信息论直接评估与优化成像系统
伯克利 AI 研究团队提出一种基于互信息的框架，直接评估并优化成像系统。该方法通过分解噪声物理特性，仅需测量数据即可量化系统区分物体的能力。在色彩摄影、射电天文、无透镜成像和显微镜四个领域验证中，信息估计准确预测了下游任务性能，且优化结果匹配最先进端到端方法，同时显著降低内存和算力需求。
Hugging Face BlogAI 评分3535 Diffusers 支持 FLUX-2
Diffusers 正式支持 FLUX-2 图像生成模型，提供 Flux2Pipeline 和 Flux2Transformer2DModel 等组件。该模型使用 Mistral3 作为文本编码器，可通过 diffusers/FLUX.2-dev-bnb-4bit 仓库加载，支持 4-bit 量化部署。
Google DeepMind精选AI 评分8585 Google DeepMind 发布 Gemini 3 Pro Image 图像生成模型
Google DeepMind 发布 Gemini 3 Pro Image（代号 Nano Banana Pro），提供 2K/4K 分辨率、高精度文本渲染及物理控制能力。该模型支持通过 Google Search 进行实时知识检索，并内置 SynthID 数字水印，已在 Google AI Studio 和 Vertex AI 开放预览。
推荐理由：该模型在文本渲染、物理控制和知识检索方面实现升级，开发者可据此构建更精准的多模态应用。
Google Research精选AI 评分6161 Google Research 发布全球天然林地图及AI基准数据集
Google Research 联合 Google DeepMind 发布 Natural Forests of the World 2020 地图及数据集，利用 MTSViT 模型实现 10 米分辨率天然林识别，准确率达 92.2%。同时发布 Planted 和 ForTy 两个大规模基准数据集，用于支持 EUDR 合规及下一代森林分类模型研发。
推荐理由：发布全球首个10米分辨率天然林地图及基准数据集，为合规与生态监测提供高精度AI基线。
Google Research精选AI 评分7070 Google 发布 ForestCast 预测森林砍伐风险并开源基准数据集
Google Research 与 DeepMind 发布 ForestCast，利用纯卫星数据和视觉 Transformer 模型预测森林砍伐风险。同时开源首个用于训练深度学习模型的公开基准数据集，旨在帮助政府和企业提前干预以遏制森林损失。
推荐理由：基于纯卫星数据预测森林砍伐风险并开源基准数据集，为生态保护提供可复现的AI工具。
Hugging Face Blog精选AI 评分7070 Hugging Face 开源OCR模型选型指南与部署教程
Hugging Face 发布指南，对比了 Nanonets-OCR2、OlmOCR-2、Granite-Docling 等开源OCR模型的能力与成本，介绍了 OlmOCR-Bench 等评测基准，并提供了基于 vLLM 和 Transformers 的本地部署与批量推理代码。
推荐理由：系统梳理了多款开源OCR模型的能力差异与评测基准，并提供了本地部署与批量推理的实操代码。
Hugging Face BlogAI 评分3838 三步在 Intel CPU 上运行 VLM
Hugging Face 发布教程，指导用户通过 Optimum Intel 和 OpenVINO 在 Intel CPU 上运行 SmolVLM2-256M-Video-Instruct 视觉语言模型。教程涵盖将模型转换为 OpenVINO IR、应用权重或静态量化以优化内存和推理速度，以及执行推理的具体步骤。
Hugging Face Blog精选AI 评分6767 Hugging Face 详解如何将 3B 参数 OCR 模型适配 Core ML 实现端侧推理
Hugging Face 发布教程详解如何将 RedNote 的 3B 参数 OCR 模型 dots.ocr 转换为 Core ML 格式以在 Apple 设备上运行。文章通过简化模型结构、修复 PyTorch 到 CoreML 转换中的算子报错，成功将模型部署至端侧，并预告后续将介绍 MLX 集成与 Neural Engine 量化优化。
推荐理由：详细拆解了将3B参数OCR模型适配Core ML的具体步骤与踩坑经验，为端侧部署提供了可复用的工程参考。
Hugging Face Blog精选AI 评分7272 Hugging Face 教程：在 ZeroGPU Spaces 中使用 PyTorch 提前编译加速
Hugging Face 发布教程，展示如何在 ZeroGPU Spaces 中利用 PyTorch 提前编译（AoT）技术加速图像和视频生成。通过结合 FP8 量化、动态形状处理和 FlashAttention-3，FLUX.1-dev 等模型可获得 1.3 至 1.8 倍的速度提升。
推荐理由：原文给出了在ZeroGPU上结合AoT编译与量化加速的具体代码，读者可直接复用以优化生成类应用。
Hugging Face BlogAI 评分4343 通过 MCP 将 Claude 接入 Hugging Face Spaces 生成图像
通过 MCP 将 Claude 接入 Hugging Face Spaces，可调用 FLUX.1 Krea [dev] 和 Qwen-Image 等模型生成图像。FLUX.1 Krea [dev] 擅长消除 AI 痕迹，生成具有自然光照和真实质感的图片。Qwen-Image 则具备强大的提示词遵循能力和准确的文本渲染效果，适合制作海报等含文字的设计。
Hugging Face BlogAI 评分4242 Arm 发布 Neural Super Sampling 实时超采样方案
Arm 发布 Neural Super Sampling (NSS)，一款专为移动端 GPU 神经网络加速器优化的实时时序超采样模型。在演示中，NSS 将 540p 渲染结果在 4ms 内超采样至 1080p，并降低 50% GPU 负载。该模型已集成至 Unreal Engine 插件及 Vulkan ML 扩展，供开发者在移动游戏和 XR 场景中实验。
Hugging Face Blog精选AI 评分7272 Gradio 新增 MCP 支持：构建具备虚拟试穿能力的 AI 购物助手
Hugging Face 官方博客介绍 Gradio 新增 Model Context Protocol (MCP) 集成，可将 Python 函数自动转换为 LLM 工具。文章演示了如何利用该功能结合 IDM-VTON 模型和 Playwright，在 VS Code 中构建一个能自动浏览网页并生成虚拟试穿效果的 AI 购物助手。
推荐理由：Gradio 新增 MCP 支持可将 Python 函数自动转为 LLM 工具，本文演示了如何快速构建具备网页浏览与虚拟试穿能力的 AI 助手。
Hugging Face Blog精选AI 评分8181 Hugging Face 发布 Flux 模型 LoRA 推理加速方案
Hugging Face 发布 Flux 模型 LoRA 推理加速方案，结合 Flash Attention 3、torch.compile 和量化技术，在 H100 上实现 2.23 倍加速，在 RTX 4090 上实现 2.04 倍加速。
推荐理由：原文给出了结合Flash Attention 3、torch.compile和量化技术的LoRA热插拔方案，提供了可复用的优化方法。
Mistral AI精选AI 评分6868 Mistral Le Chat 新增 Deep Research 智能体与 Voxtral 语音功能
Mistral 发布 Le Chat 多项新功能，包括 Deep Research 智能体可自动生成结构化研究报告；基于 Voxtral 模型的语音模式支持自然对话；Magistral 推理模型提供原生多语言思考能力；Projects 功能支持将对话分组管理；与 Black Forest Labs 合作实现图像直接编辑。
推荐理由：Le Chat 新增 Deep Research 智能体、Voxtral 语音交互及 Magistral 多语言推理，提供了更完整的 AI 助手工作流。
Hugging Face BlogAI 评分5656 10亿级分类与嵌入推理的成本优化与基准测试
Hugging Face 发布文章，通过实测分析10亿级文本分类、嵌入及视觉嵌入推理的成本与延迟。使用Infinity服务器和k6工具，在NVIDIA L4等硬件上寻找最优Batch Size与并发数。结果显示文本分类10亿次成本约253美元，嵌入约409美元，而视觉嵌入因模型复杂和图像Token多，成本高达44496美元。
Hugging Face Blog精选AI 评分7272 Hugging Face 发布 TimmWrapper 实现 timm 与 transformers 生态互通
Hugging Face 发布 TimmWrapper，将 PyTorch Image Models (timm) 集成至 transformers 生态，支持 Pipeline API、Auto Classes、8bit 量化、Trainer 微调及 torch.compile 加速。
推荐理由：Hugging Face 官方发布 TimmWrapper 实现 timm 与 transformers 生态互通，支持量化、微调与编译加速。
Hugging Face Blog精选AI 评分6868 Hugging Face 发布文本到图像生成开源偏好数据集
Hugging Face 社区发布了面向文本到图像生成的开源偏好数据集，包含 1 万对偏好样本，涵盖多种图像风格与提示词复杂度。数据集采用 Apache 2.0 协议，附带用于数据预处理和后处理的代码，并提供了基于 FLUX.1-dev 模型的 LoRA 微调适配器。
推荐理由：开源了文本到图像生成的偏好数据集及微调代码，为社区提供了可复用的训练素材。
Hugging Face Blog精选AI 评分8383 Diffusers 支持 Stable Diffusion 3.5 Large 发布
Hugging Face Diffusers 正式支持 Stable Diffusion 3.5 Large，提供 8B 参数模型及少步推理的 Turbo 版本。文章介绍了 QK 归一化与双注意力层等架构变化，并给出了量化推理与 LoRA 微调的实操代码。
推荐理由：文章详细说明了SD3.5 Large的架构变化及Diffusers使用方式，并提供了量化推理与微调的实操指南。