搜索：文本到图像生成

「文本到图像生成」共找到 2669 篇相关文章

谷歌「最强图像模型」横扫一切！3毛钱P图打懵OpenAI，PS要不存在了

谷歌发布顶级图像模型Gemini 2.5 Flash Image，化身nano - banana在LMArena盲测夺冠。它有四大能力，价格低至每张图不到3毛钱，冲击传统P图工具，虽有小瑕疵但应用前景广。

阿里开源新一代视频生成模型通义万相Wan2.2，含文生视频等功能。它率先将MoE架构用于视频生成扩散模型，5B版本可在消费级显卡部署。对比前代和Sora表现更优，还推出电影级美学控制系统。

多模态AI前景广，但现有模型在理解和生成任务上存在性能冲突。苹果提出Manzano模型，用混合视觉标记器降低任务冲突，结构简单可扩展，在多基准测试达SoTA水平，还展示图像编辑潜力。

独角兽ElevenLabs发布最新版TTS模型Eleven v3，支持70多种语言，能进行多人对话，生动展现情绪语气。官方称其为“迄今为止最具表现力的文本转语音模型”，网友实测好评居多，但中文效果不如英文。

ICML 2026 部分论文被 desk reject，因 reviewer 用 LLM 写 review。ICML 用带诱导的隐式水印检测，引发支持与反对争议。有论文提出从文本检测转向判断检测，还开发 J - Detector，结合文本检测准确率达 99.3%。

阿里智能引擎团队针对Qwen最新开源模型，将SOTA压缩水平从80 - 100步前向计算骤降至2步，速度提升40倍，5秒可出4张2K高清大图。已发布Checkpoint，集成到呜哩AI平台。文章还分析传统蒸馏方案问题并介绍团队改进策略。

职场人做PPT常耗在调格式等方面，现有AI工具多有缺陷。`dashi-ppt-skill`项目可生成网页版PPT编辑器，有多种主题、版式和控件，功能丰富，能本地完成操作，还介绍了安装和使用方法。

OpenAI提前发布Sora 2模型，可克隆音色，支持多语言。还推出似AI版抖音的社交APP，免费生成视频。测试显示，它有世界知识，能多参生成、自动切镜头，在多方面表现出色，但版权限制严，部分一致性待提升。

Google 发布 Veo 3.1，重新定义 AI 视频生成天花板。它对叙事深度理解，新增音频生成，有四大核心能力。网友将其与 Sora 2 对比，二者各有千秋。还介绍了 Veo 3.1 使用方式及 Flow 平台成果。

大语言模型在空间领域应用广泛，复杂地理分析问题需组织自然语言成可执行流程。Spatial - Agent 加入 GeoFlow Graph 中间层，借用 GIScience 理论，实验显示能提升准确率，不过仍受数据质量等限制。