跳到正文

#影像生成

RSS
今日 0 則
11月21日週六
  1. aihot79

    可靈推出 Kling Image 4.0,支援原生 8K 影像生成

    想生成高解析度圖片或修改圖片時,畫質、文字呈現和價格都是挑選工具時會考慮的事。可靈推出 Kling Image 4.0,主打原生 8K 影像生成、真實感、一組圖片的一致性和文字呈現。Artificial Analysis 的評測中,它的文生圖排名第 7、圖片編輯排名第 6;相較 Kling Image 3.0 Omni,兩項排名的 Elo 分數都提升超過 225。黑色星期五優惠期間,2K 圖片每張最低 $0.022,原生 8K 每張最低 $0.033。

    推薦理由:Artificial Analysis 的排名與 Kling Image 3.0 Omni 比較,呈現新模型在文生圖和圖片編輯上的變化,也提供不同解析度的價格資訊供讀者參考。

11月20日週五
11月19日週四
  1. The Decoder84

    Google DeepMind 推出 Gemini 4 Neon,速度更快、定價更低

    Google DeepMind 推出 Gemini 4 Neon,作為 Gemini 4 Carbon 之外的新選擇。Neon 的文字、圖片、音訊和影片上下文視窗可容納一百萬個 token,生成速度接近 Carbon 的兩倍,標準定價也低 25%。不過,Neon 每項任務會多用約 15% 的輸出 token,因此省下的費用來自每 token 單價較低。報導也整理了它在程式開發、檔案和簡報測試中的表現;不同測試與推理設定下的結果並不相同。

    推薦理由:Neon 與 Carbon 的比較涵蓋速度、價格和多項測試,也指出省錢來自較低的每 token 定價,而非較少的輸出 token。

  2. 少數派 (sspai)72

    微軟推出 MAI 影像與程式模型,並發布企業決策 AI

    做圖、寫程式和處理企業流程時,常要在效果、速度與成本之間取捨。微軟推出 MAI Image 2.7 系列和創作空間 Canvas,讓使用者用文字或草圖開始,再修改圖片區域性;也推出 MAI Code 2 系列,分別處理複雜開發與日常程式設計,並發布用於分類、排序和流程控制的 Microsoft-Decision-1.1。報導也提到,MAI Code 2 Flash 在三項測試中的平均通過率為 61.0%。另外,微軟宣佈未來的 Windows 版本將預設提供 PowerShell 7,舊版仍可繼續使用並獲得安全更新,使用者可逐步遷移。

  3. The Decoder75

    Microsoft 一次推出 7 款 AI 模型,想用較低成本取代自家產品中的外部模型

    長時間使用 AI 助理會花掉大量 token,Microsoft 因此一次推出 7 款模型,涵蓋寫程式、資安、圖片、語音、搜尋和工作流程判斷,主打用較低成本完成工作。Microsoft 表示,MAI Code 2 在多項測試中接近 GPT-6.1 Sol 和 Claude Opus 5.5,價格則低得多;MAI Image 2.7 可修改圖片中的個別物件,MAI Realtime 1 則能處理語音對話中的插話和背景噪音。各模型的開放方式不同,有些已能使用,有些仍在預覽或只提供特定客戶。文中的效能與價格比較主要來自 Microsoft 的測試和說法。

  4. aihot56

    Recraft 實測 Seedream 5.5,對比 Recraft V4.1 Pro 和 GPT Image 2.6

    挑選影像生成模型時,只看單張成品不容易知道哪款更適合自己的需求。Recraft 用同一組 12 個提示詞,實測 ByteDance Seedream 5.5、Recraft V4.1 Pro 和 GPT Image 2.6 Sunburst,並比較生成結果、積分成本與花費時間。這些對照和選用建議,能讓讀者用自己的提示詞測試不同模型,再依成果、成本和速度做選擇。

11月18日週三
  1. fal72

    要把一張圖片做成能用在遊戲裡的 3D 模型,往往得另外處理模型和材質。fal 推出 Idol Max 與 Idol Max Turbo,輸入一張圖片就能產生 3D 模型,並輸出 GLB 網格、UV 貼圖和 2K 材質;也可選擇加入 PBR 材質與自動繫結骨架。fal 表示,這兩款模型是在 Idol 基礎上由 fal 自行打造並調校。

    推薦理由:fal 說明 Idol Max 與 Idol Max Turbo 能從單張圖片產生可用於遊戲的 3D 模型,也交代了輸出格式與可選功能。

  2. 🚨 AI News | TestingCatalog69

    製作圖片時,編輯內容可能讓細節改變,也不容易保留透明背景或分開圖層。ByteDance 的 Seedream 5.5 是新的圖片模型,著重在編輯圖片時保留細節,也能輸出真正透明的背景,並把生成圖片拆成個別 PNG 圖層。Artificial Analysis 的 AA-Image-T2I v2.1 評比將它列入「品質與價格前段」;每 1k 張圖片收費 $20,價格低於 $30。

  3. iThome (臺灣)85

    Microsoft 推出 7 款 AI 模型,主打接近頂尖效能與更低成本

    企業使用 AI 模型的費用正快速增加,Microsoft 推出 7 款自研模型,涵蓋程式開發、網路安全、影像生成、語音和模型選擇。以程式開發模型 MAI Code 2 為例,Microsoft 表示,它的效能接近 GPT-6.1 Sol,完成任務的成本約為對方的 40%;網路安全模型 MAI Cyber 2 Flash 則主打持續監控、漏洞掃描和修補。Microsoft 也推出模型權重授權服務,讓企業在自己的 Azure 環境部署模型並用內部資料客製化,減少對代管 API 的依賴。

    推薦理由:七款模型涵蓋程式開發、資安、影像與語音等工作,文中也列出和其他模型的效能及費用比較,可看出微軟主打的成本差異。

  4. Dev.to Top Tech70

    Microsoft 推出 MAI Image 2.7 與 Flash,支援多個平臺並公佈價格

    團隊大量製作圖片時,得考量每張圖片的成本,也要看能不能接上現有工具。Microsoft 推出 MAI Image 2.7 和 MAI Image 2.7 Flash,兩者都開放公開預覽,可透過 Microsoft Foundry 和多個合作平臺使用;Flash 也搭配一個互動式工作空間 Canvas。Microsoft 列出的參考價格是每 1,000 張約 $35 和 $10。不同平臺的地區供應、使用額度和商務條件可能不同,兩個版本的功能差異也尚未說明,團隊可依自己的圖片工作流程確認合適的方案。

  5. Dev.to Top Tech60

    Kling Image 4.0 宣稱原生生成 8K 圖片,哪些功能值得看?

    Kling Image 4.0 宣稱能原生生成 8K 圖片、在單張圖裡放入最多 2,000 個字,還能用一段提示詞產生最多 10 張風格一致的圖片。這些功能瞄準海報文字容易出錯、同一角色每張長得不同等問題,但作者沒有實際測試,外部也還沒驗證這些說法。Artificial Analysis 的排行榜上,它的文字生圖 Elo 為 1180,圖片編輯為 1183;這是使用者偏好票數的結果,不是受控測試。Kling 尚未公佈價格或 API 是否開放,模型也只能在自家平臺使用。

  6. aihot84

    Microsoft 推出 MAI Image 2.7、Flash 與 Canvas 影像工作區

    做圖時想改一個物件,常會連帶影響畫面其他部分;Microsoft 推出 MAI Image 2.7 和 MAI Image 2.7 Flash,主打影像生成與編輯,並能區域性調整物件的顏色、材質或位置。官方公佈的價格分別約為每 1,000 張 $35 和 $10,兩款模型目前都可透過 Microsoft Foundry 公開預覽。Microsoft 也在 MAI Labs 推出由 Flash 驅動的 Canvas,使用者可以從提示詞或草圖開始,再選取畫面區域進行修改。

    推薦理由:官方提供 MAI Image 2.7 與 Flash 的價格和影像編輯排名,可比較兩款模型在成本與編輯品質上的取捨。

  7. aihot83

    Microsoft MAI 發布多款模型,推出可自行掌控的授權權重

    企業想用大型語言模型處理日常工作,常得面對成本,也在意自家資料和模型權重由誰掌控。Microsoft MAI 發布多款模型,涵蓋程式開發、網路安全、影像編輯和語音轉寫。演講表示,MAI Code 2 在四項日常程式基準測試的平均表現達 GPT 6.1 Sol 的 98%,成本為 40%;MAI Cyber 2 Flash 在 Cyber Gym 測試領先 GPT 6 Astra,每項任務成本不到 2%。新推出的 MAI Licensed Weights 可用專有資料客製模型,再放進自家的 Azure 環境執行,由企業管理存取許可權及資料。

    推薦理由:演講把多款模型的價格與效能放在日常工作中比較,也說明授權權重如何讓企業在自己的 Azure 環境中客製和執行模型。

  8. OpenRouter72

    Microsoft 在 Ignite 發表三款新模型,並已在 OpenRouter 上線。MAI-Image-2.7 可產生 2K 透明背景圖片;MAI-Image-2.7 Flash 是速度較快、較輕量的版本,適合大量使用;Microsoft-Decision-1.1 則能在一次呼叫中,為每個答案選項提供校準後的機率。

    推薦理由:三款模型各自面向透明背景圖片、高量生成與選項機率估計,能快速看出 Microsoft 這次發布的用途差異。

  9. Dev.to Top Tech63

    Microsoft 在 Ignite 發表六款 MAI 模型,涵蓋程式、資安、影像與語音

    Microsoft 在 Ignite 發表六款 MAI 模型,分別面向程式開發、資安、影像編輯、語音轉錄和即時語音,並提到可透過 GitHub Copilot、Microsoft Foundry 和 Azure AI services 使用。已知名稱包括 MAI Code 2、MAI Code 2 Flash、MAI Cyber 2 Flash 和 MAI Image 2.7;另外兩款轉錄與即時語音模型的名稱沒有提供。Microsoft 主打這些模型能以較低成本達到前沿表現,但材料沒有列出價格,也未確認各模型在哪些服務或地區供應。企業評估時,仍需確認供應情況、費用和工作流程是否合適。

  10. Vercel Blog68

    MAI-Image-2.7 與 MAI-Image-2.7-Flash 於 AI Gateway 正式上線

    Microsoft 推出的 MAI‑Image‑2.7 與 MAI‑Image‑2.7‑Flash 兩款影像生成模型,已在 Vercel 的 AI Gateway 進入公開預覽。它們可產出最大 2048×2048 畫素、支援透明背景的 PNG,並能用同一 API key 進行文字生成或圖片編輯。MAI‑Image‑2.7 針對高品質最終素材,MAI‑Image‑2.7‑Flash 則提供更快、成本更低的變體。開發者只需設定 AI_GATEWAY_API_KEY,即可透過 Vercel AI SDK 或 AI CLI 直接呼叫。

    推薦理由:本文說明 Microsoft MAI-Image-2.7 及其 Flash 版可在 AI Gateway 直接使用,支援 2048×2048 解析度與透明背景,適合需要高品質或快速生成影像的應用。

  11. Arena.ai69

    MAI-Image-2.7 已結束預覽,Arena 的榜單比較了它和前一版 MAI-Image-2.6 在圖片任務上的表現。新版本在多張圖片編輯排第 3,單張圖片編輯和文字生成圖片都排第 4,整體比前一版約高 50 分;單張圖片編輯的進步最大,例如文字呈現從第 13 名升到第 4 名。每張圖片價格是 $0.035,榜單也把它列在兼顧價格與排名的選項中。

    推薦理由:Arena 比較 MAI-Image-2.7 與前一版在多種圖片任務的名次,也列出每張 $0.035 的價格,方便了解效能與成本的取捨。

  12. Artificial Analysis73

    挑選影像編輯模型時,品質和價格常得一起考量。Microsoft 推出 MAI-Image-2.7 和 MAI-Image-2.7-Flash,Artificial Analysis 表示兩款模型在影像編輯與文字生成圖片的品質和價格比較中,都進入表現與費用的前段。MAI-Image-2.7 每 1k 張圖片要 $34.82,Flash 版要 $10.24;前者在文字或符號、場景與風格、畫面增強與修復等編輯專案排名第 1,後者在場景與風格編輯排名第 3。這些結果提供了比較兩款模型用途與費用的依據。

    推薦理由:Artificial Analysis 比較兩款模型在影像編輯與文字生成圖片的表現和價格,可看出不同任務下品質與費用的取捨。

11月17日週二
  1. ModelScope58

    商品照片去背時,包裝文字、標誌和細小空隙容易一起消失。Bria 的 RMBG 3.0 把去背當成圖片編輯,使用 8B Fibo 2.0 DiT,在四個步驟中產生柔和的 8-bit alpha 遮罩。Bria 的測試顯示,它在 234 張全尺寸圖片中,有 185 張表現最佳或並列最佳;電商圖片範例則保留了包裝文字、標誌、動態模糊的肢體和網布空隙。也可自行架設 Fibo 2.0 Edit Turbo。

11月16日週一
  1. karminski-牙醫61

    Qwen4-Max 正式版發布後,作者把原始圖片或影片交給模型,請它用 three.js 重現畫面中的面板。測試中,模型還原按鍵的表現不錯,作者認為它的空間理解有所提升;但 three.js 的作品不夠炫酷,可能和這方面的後訓練不足有關。作者也觀察到模型較少產生幻覺,思考時使用的 token 不多,很快就開始輸出正文。更詳細的測試結果尚未公佈。

  2. Dev.to Top Tech68

    Nemotron 3.5 Parse、LightOnOCR 3 和 Docling 如何辨識難讀發票?

    掃描發票的文字看似辨識正確,金額也可能放錯欄位,害帳目出錯。作者比較 Nemotron 3.5 Parse、LightOnOCR 3 和 Docling 處理兩張難讀的印度發票,檢查欄位是否讀對,也有在 Mac 上重現 Docling 的印地語辨識問題。測試中,LightOnOCR 3 幾乎讀對所有欄位,但速度較慢;Nemotron 漏掉表格的一欄和總額;Docling 在 Mac 上使用的 OCR 引擎不支援印地語,換成支援印地語的引擎後,盧比符號仍可能被讀成數字。作者建議核對數量、單價、稅額和總額,並提醒這次只測了兩張發票,結果不能代表所有檔案。

  3. The Decoder82

    Claude Fable 5.2 用程式一筆筆畫出逼真影像

    一般影像模型會從雜訊中慢慢做出清楚的圖,Claude Fable 5.2 則用程式模擬畫家下筆,在畫布上逐筆畫出影像。Anthropic 員工 Jake Eaton 示範時,模型用約 700,000 筆模擬筆觸,畫出停車場裡的購物車;它每畫一筆就檢視畫布,也能用新筆觸修補畫錯的地方。研究人員還讓它操作實體機械手臂作畫,但測試仍顯示精細動作有其限制。

    推薦理由:文章以 Claude Fable 5.2 的繪畫過程和實體機械手臂測試,呈現語言模型逐筆下指令、邊看邊修正的做法與目前限制。

11月14日週六
11月13日週五
  1. aihot74

    美團 LongCat 開源 LongCat-Video-Avatar 1.6,讓語音帶動數位人影片

    製作數位人影片時,嘴部動作不自然、聲音和嘴型對不上,影片變長後畫面也可能不連貫。美團 LongCat 開源 LongCat-Video-Avatar 1.6,改進嘴型、臉部和身體動作的協調,也減少接續生成影片時累積的畫面誤差,能生成超過 10 分鐘的影片。團隊以 33,051 張有效人工投票比較六套系統,這個版本排名第二;新版本也加入推理最佳化,並提供單人和多人影片生成方式。

    推薦理由:LongCat-Video-Avatar 1.6 的人工偏好評測顯示,它在六個系統中排名第二;文中也說明瞭長影片生成與推理速度的改進。

11月12日週四
11月11日週三
  1. Higgsfield AI 🧩66

    Seedream 5.5 已在 Higgsfield 上線,這款 ByteDance 影像模型在編輯時較能保留細節。 功能:支援原生 RGBA 輸出、畫素級區域性編輯,並改善光線、材質、膚色自然度與小字清晰度。 可用性:目前可在 Higgsfield 使用,美國即將開放。

    推薦理由:Seedream 5.5 已可在 Higgsfield 使用,原文列出區域性編輯、原生 RGBA 輸出與細節保留等變化,並說明美國即將開放。

  2. Simon Willison75

    Simon Willison 實測 Gemini 4 Carbon,展示模型打造 3D 動畫與遊戲

    Google 宣佈 Gemini 4 Carbon 開放給更多人使用,Simon Willison 用它搭配 Antigravity IDE 製作 3D 動畫。動畫讓 Yonkers 變成大型機器人,在 Manhattan、Queens 和 Brooklyn 走動;他還把結果做成不需要外部依賴的單一 HTML 檔。文中也提到另一個用 Carbon 製作的 3D 遊戲,玩家能騎著 GBike 探索 Google 的 Mountain View 園區,製作過程用到多個 AI 助理分工。