> 7B轻量级模型将生成与编辑统一于同一端到端工作流，传统图像后期工具链正被彻底解构。

阿里通义千问团队开源了全新图像生成与编辑一体化模型Qwen-Image-2.1。该模型仅用7B的轻量化参数规模，便在单一网络内同时实现了高保真文生图和像素级指令驱动的图像精准编辑。此前，视觉创作者必须在生成模型（如Midjourney）与后期微调工具（如Photoshop结合各类插件）之间频繁切换格式与工程文件。Qwen-Image-2.1的出现，标志着“生成即编辑、编辑即交互”的统一视觉生产范式正式成型。

## 单一模型贯通视觉全链路的沉浸体验

**指令式局部微调告别复杂遮罩**　传统图生图与Inpainting工作流高度依赖人工绘制Mask和繁琐的图层管理。Qwen-Image-2.1通过将多模态语义对齐与自回归/扩散机制深度融合，允许设计师直接通过自然语言下达“移除左侧阴影并将外套材质换为亚麻面料”的复合指令。模型能够精确锁定语义区域并在维持全局光影一致性的前提下执行无痕重绘，使后期修改门槛骤降至对话级别。

**7B体量带来的端侧低延迟迭代**　相较于动辄需要高端算力集群渲染的巨型图像模型，7B参数使得该底座具备在专业笔记本甚至边缘工作站流畅运行的可能。创作者在与客户提案的现场即可实现秒级视觉方案调优，彻底颠覆了“需求收集—后台出图—反复打回修改”的传统漫长交付周期。
![52.jpg](https://static.downly.cn/images/1e2207cf61ebaaf789bf90a604e21140.jpg)
<center>图源备注 图片由AI生成</center>

## 视觉创意行业饭碗的加速洗牌

**初级后期美工岗位面临断崖式萎缩**　商业修图、电商批量换景以及素材二次合成等依赖基础工具熟练度的岗位，将在一体化编辑模型的普及下迅速丧失市场溢价。企业营销部门不再需要配置专门的修图流水线，文案策划人员凭借单一模型便能独立完成符合商业印刷标准的整套视觉交付。

**独立创作者的资产生产效率跃迁**　工作流的极度压缩将极大解放个人创作者的产能。游戏独立开发者、概念设计师和自媒体团队将能以极低算力成本维持高度风格统一的系列化视觉产出，创意竞争的核心将从工具熟练度与算力堆砌，彻底转向审美把控与故事内核的构建。
![53.jpg](https://static.downly.cn/images/dbb494132f2ffbaed9cf1ead6e18e251.jpg)
<center>图源备注 图片由AI生成</center>

把生成与编辑合并进一个7B的轻量底座，不仅修补了视觉生产的裂痕，更将整个数字艺术工业推向了零门槛交互的全新分水岭。

通义千问开源Qwen-Image-2.1 文生图与局部编辑合流重塑视觉生产线

> 延迟减半伴随草图微调能力的落地，生成式视觉正式从开盲盒式的文字抽卡跃迁至精准工业级流水线。

OpenAI 正式推出了 ChatGPT Images 2.5 图像生成模型。此次迭代并未沉溺于常规的分辨率堆叠，而是精准击中了专业视觉创作中最核心的两大技术痛点：推理延迟减半与草图交互微调。新模型将端到端出图时间压缩了 50% 以上，并允许用户在画布上直接输入线条结构线稿，引导模型在保留构图骨架的前提下进行高保真细节渲染。这一升级标志着多模态视觉生成彻底告别了依靠复杂提示词反复抽卡的原始阶段，正式迈入所见即所得的工程化精准可控时代。

## 潜空间步进蒸馏与空间引导注意力架构

**渐进式蒸馏突破推理延迟瓶颈**　传统扩散模型（Diffusion Models）之所以耗时较长，根本原因在于其必须在高维潜空间中执行数十步反向去噪迭代。ChatGPT Images 2.5 采用了新型一致性蒸馏（Consistency Distillation）与流匹配（Flow Matching）融合架构，将原本需要数十步的采样轨迹压缩至极低步数求解器内完成。这种算法层面的数学提速，配合底层显存带宽优化与张量并行重构，使得图像生成的端到端延迟显著下降，为实时画布交互提供了工程可行性。

**多模态条件注入与线稿先验解耦**　传统的图生图方案极易导致原图结构与文本语义产生冲突，出现形变过拟合。Images 2.5 在 Transformer 视觉主干网络中重构了交叉注意力与空间位置编码机制。草图输入不再被单纯视为像素级引导，而是被模型抽象为几何结构与拓扑关系的先验约束。这意味着创作者即便仅勾勒出简陋的轮廓线，模型也能精准理解空间透视与图层遮挡关系，在严密遵循线稿边界的同时，无缝融入复杂的材质贴图与全局光照。
![52.jpg](https://static.downly.cn/images/919e9e23c48a49999bad3c2d68fc5d27.jpg)
<center>图源备注 图片由AI生成</center>

## 工业级设计管线重构下的生态洗牌

**独立图像生成工具护城河受阻**　长期以来，独立图像生成软件依靠特定的美术风格建立起忠实的用户社群，但在交互响应速度与细粒度控制力上始终难以摆脱纯文本提示词的局限。随着 ChatGPT 原生集成高响应、强控制的 Images 2.5，兼具对话上下文理解与线稿精准控制的完整工作流闭环将形成显著挤压，缺乏系统级对话生态绑定的独立绘图工具将面临严峻的用户留存考验。

**概念设计生产力重心转移**　影视与游戏美术管线中的初级草图细化、分镜快速原型设计等流程将面临重构。美术设计师不再需要耗费数小时进行枯燥的线稿铺色、叠材质与光影试错，只需勾勒出核心构图线稿，Images 2.5 便可在短时间内输出多套高完成度的工业级渲染方案。视觉生产力重心全面从执行层面的技法堆砌，转移至顶层的创意架构设计与审美评判。
![53.jpg](https://static.downly.cn/images/39760aaabc7dc3ba8d9f77608ba45086.jpg)
<center>图源备注 图片由AI生成</center>

ChatGPT Images 2.5 的推出，表明多模态生成技术的重心已从宏观的画质拟真进化为微观的精准可控。当推理延迟被大幅压缩，配合结构级草图微调，机器视觉生成技术正在跨越实验探索与高精生产力工具之间的鸿沟。

OpenAI 发布 ChatGPT Images 2.5 潜空间步进蒸馏重构即时视觉工作流

> 谷歌将高阶视觉生成能力免费推向全美大众，此举不仅是防御性市场策略，更将彻底击穿传统图库与初级插画师的商业壁垒。

## 零门槛与个性化 交互范式的微观切片

过去两年来，AI绘画一直是一项具有隐性门槛的技术。无论是在Discord频道里输入晦涩难懂的后缀参数，还是在本地部署Stable Diffusion时调试复杂的节点组，都将普罗大众挡在了这场视觉革命的门外。如今，谷歌将Gemini的个性化生图能力直接下放至全美免费用户端，完成了一次教科书级别的技术普惠。

核心改变　在于自然语言与意图理解的深度融合。普通用户不再需要背诵“8k分辨率、虚幻引擎、光线追踪”等咒语，只需用最日常的口语描述自己的需求。Gemini的底层架构不仅能精准还原物理世界的光影规律，更能结合用户历史对话上下文，生成高度契合特定个人风格或品牌调性的图像。这种开箱即用、即刻反馈的丝滑体验，彻底抹平了从“脑海灵感”到“数字资产”的转化阻力，让每一台智能手机都变成了一个随身携带的高级视觉工作室。

![12.png](https://static.downly.cn/images/3716f15c5fe5709e3b6c10245a29ceae.png) <center>图源备注 图片由AI生成</center>

## 颠覆还是共生 被重塑的打工人饭碗

随着如此强大的工具普及到C端，首当其冲被颠覆的便是传统的商用图库平台以及处于产业链底层的初级外包画师。试想一下，当一名新媒体运营人员需要一张“穿着宇航服的猫在月球上喝咖啡”的配图时，他不再需要耗费数小时在版权图库中检索并支付昂贵的授权费，只需等待三秒钟，Gemini就能提供四张风格迥异且绝无版权纠纷的高质量方案。

影响范围　直接辐射至广告营销、电商设计、自媒体运营等多个领域。传统的流水线式排版与基础物料设计岗位将面临断崖式萎缩。然而，这并非创作者的末日，而是工作流的重组。对于那些懂得利用AI工具赋能自身的核心创作者而言，他们将从枯燥的“像素搬运工”跃升为“视觉导演”，一个人就能完成过去需要一整个美术团队才能交付的巨大工作量。

![13.png](https://static.downly.cn/images/e0922ba68deec5cbadefca7db0c0c2d0.png) <center>图源备注 图片由AI生成</center>

## 隐性门槛重构 审美与提示词工程的新溢价

当生成一张精美图片的边际成本趋近于零时，“画得好”将不再是核心竞争力。在未来的职场生态中，真正稀缺的资源将转变为“卓越的审美判断力”与“精准的意图表达力”。面对同样免费的Gemini引擎，不同用户输出的作品质量依然会有云泥之别，这背后的差距就在于对美学品味的沉淀以及对业务场景的深度理解。

未来预测　随着C端普及完成，工具本身的溢价将被彻底剥离。未来的视觉创意产业将呈现两极分化态势，底层的大批量同质化需求交由AI自动补足，而顶层的高溢价商业项目则高度依赖人类的创意灵光与情感共鸣。这也意味着，未来的打工人不仅需要掌握如何向AI发号施令，更要学会如何在信息爆炸的数字汪洋中，锚定那唯一正确的视觉审美坐标。

谷歌全面下放Gemini生图权限 C端视觉创作工作流面临重组

> 谷歌最新上线的图像生成模型将Pro级视觉保真度与Flash级推理速度深度融合，凭借卓越的多角色一致性与多语种文本渲染能力，全面赋能企业营销工作流，开启商业级视觉创作的新纪元。

## 闪电响应与专业级世界认知的融合

继去年引发视觉生成领域变革的初代产品之后，谷歌正式推出底层架构升级为Gemini 3.1 Flash Image的全新一代大模型。此次技术迭代的核心突破在于打破了生成速度与画面质量的传统博弈，将顶级智算模型的深厚世界知识库无损注入到极速生成的框架之中。

依托系统内置的实时网络搜索基座，新模型具备了对真实世界极高的认知精度。这不仅意味着系统能够准确还原特定地理位置或复杂现实主体，更为高维度的数据可视化与专业信息图表生成提供了坚实支撑。与此同时，模型在文本渲染领域实现了行业级跨越。用户可直接在生成的视觉图像中嵌入高清晰度文案，通过简单的自然语言指令即可完成排版调整，甚至支持一键翻译与多语种本地化适配。对于具有跨国宣发需求的营销团队而言，这项创新将海报、贺卡等定制化物料的产出周期从数小时大幅压缩至秒级。

![Gemini_Generated_Image_9zox0r9zox0r9zox.png](https://static.downly.cn/images/971c41586567bde2e9b37f25d24fcf7a.png) <center>图源备注 图片由AI生成</center>

## 商业级创意控制权的全面下放

在追求极速算力的同时，新一代系统赋予了创作者前所未有的画面掌控力与指令依从度。系统目前已突破行业痛点，能够在一个连续的工作流中稳定维持多达五个独立角色的面部与外观特征，同时保障十四个复杂物品的细节连贯性。这种高度的主体一致性控制，使得分镜脚本绘制、连续IP叙事创作成为低门槛的常规操作，创作者彻底告别了因角色特征漂移而反复调试指令的损耗期。

在视觉呈现层面，模型提供从512像素到原生4K分辨率的矩阵式支持，并支持任意长宽比生成而不会产生违和的画面裁切感。全新升级的画质引擎带来了更通透的光影质感、细腻的材质纹理以及极具冲击力的边缘锐度。系统大幅丰富了图像编辑的灵活性，用户不仅能通过参考图瞬间迁移特定的艺术风格与色彩氛围，还可以将两张独立素材无缝融合，或是高保真地为人物替换背景、调试光圈焦点，乃至尝试充满复古质感的影楼风格重塑。

![Gemini_Generated_Image_d5oaijd5oaijd5oa.png](https://static.downly.cn/images/264514e70f94a20d0dede0a32926fea5.png) <center>图源备注 图片由AI生成</center>

## 生态矩阵协同与数字安全护城河

技术升级的终极价值在于商业场景的渗透率。目前该模型已作为底层视觉引擎，全链路接入谷歌庞大的产品矩阵。普通用户可通过更新后的Gemini应用以及覆盖全球141个国家和地区的搜索引擎AI模式直接调用。针对开发者与企业级客户，系统不仅通过AI Studio与云端Vertex AI开放了API接口，更深度融合进谷歌广告平台，在广告活动规划阶段实时生成高转化率的视觉素材建议。此外，面向拥有严苛精度诉求的专业受众，系统依然保留了通过专设菜单切换回Pro模型执行极限任务的冗余路径。

在生成式AI产能爆发的当下，内容溯源与数字版权确权已成为不可忽视的治理命题。此次更新进一步强化了系统的安全合规底座。每一张由该系统生成的图像均会在像素底层嵌入肉眼不可见的SynthID数字水印，同时在前端展示清晰的AI生成标识。通过与C2PA内容凭证标准的深层互通，系统能够向阅览者提供透明、详尽的内容来源与修改历史视图。自去年末相关溯源工具上线以来，其验证调用量已突破两千万次，这标志着构建可信、负责任的AI数字生态实践正在稳步迈向成熟期。

谷歌发布Nano Banana 2 速度与质量双端突破重塑AI视觉生产力

> 今日AI界风起云涌：清华大学0.1秒生成3D数字人技术惊艳亮相；微软携手Anthropic，打破OpenAI单一依赖格局；字节跳动与腾讯在AI生图领域展开新角逐，将创意推向新高度；同时，AI正加速融入天气预报、软件测试、教育硬件等多个行业，展现出巨大的应用潜力。

## 0.1秒“复活”照片 清华团队开源GUAVA技术让3D数字人制作进入闪电时代
清华大学深研院与国际数字经济研究院的团队成功研发出GUAVA新技术，该技术仅需一张普通照片，便能在0.1秒内生成高质量的3D高斯化身，并能以超过50帧/秒的流畅度进行实时驱动。这一突破颠覆了以往需要多角度拍摄或漫长视频训练的传统数字人制作模式，极大地提升了制作效率和速度，为实时交互、虚拟现实等应用场景打开了新的想象空间。

![image.png](https://static.downly.cn/images/4d6ad844fb331ad9f3a90c5666bc9e38.png)
图源备注：图片由AI生成

## 字节跳动发布Seedream 4.0图像模型 Freepik平台率先集成
字节跳动正式推出其最新的Seedream 4.0图像创作模型，该模型在图像编辑的精准度、参考图的灵活性、4K超高清图像生成及自适应比例方面均实现了重大突破，甚至可以将人像照片一键转换为精致的手办风格图。用户现在可以通过豆包App和即梦网页端体验。与此同时，全球知名设计素材平台Freepik也已上线该模型，其premium+会员可无限次使用这一强大工具，为全球设计师的创作注入新的活力。

![image.png](https://static.downly.cn/images/5d639205aaa233d4f8d11ed1bb6c92b1.png)
图源备注：图片由AI生成

## 腾讯混元生图模型再进化 Image 2.1支持2K分辨率与精准“写字”
腾讯混元团队发布了其开源文生图模型的最新升级版“混元图像2.1”。新版本原生支持2K分辨率图像生成，并在中英文原生输入、复杂语义理解方面表现出色，能够更准确地在图片中渲染文字。该模型在性能与生成效果之间取得了良好平衡，旨在为视觉创作者提供一个更高效、便捷的创作工具，轻松生成精美插画、创意海报及漫画等多样化作品。

![image.png](https://static.downly.cn/images/e498b4e59aafb4e9f5d85063f0bb8884.png)
图源备注：图片由AI生成

## 微软不再“独宠”OpenAI Office 365将集成Anthropic模型
微软正在调整其AI战略，开始推行供应商多元化。最新举措是，微软将付费使用Anthropic公司的AI技术来增强其Office 365办公应用套件。这一举动标志着微软不再仅仅依赖其长期合作伙伴OpenAI，背后原因可能与OpenAI日益增强的自主性及其产品与微软产生的直接竞争有关。此举显示了微软在构建其AI生态时，正寻求更广泛和稳健的合作布局。

![image.png](https://static.downly.cn/images/456bbda78162116970d774c1fc0c72cc.png)
图源备注：图片由AI生成

## 不止于效率工具 首款AI Agent浏览器Fellou CE发布
硅谷公司Fellou推出了一款具有革新意义的AI概念浏览器Fellou CE。与市面上其他旨在节省时间的AI工具不同，Fellou CE将自己定位为用户的“认知杠杆”。它致力于通过AI Agent的能力，赋能用户进行更深层次的思考、激发创造力，并高效解决复杂问题，目标是实现数字工作方式的根本性转型，而不仅仅是提升操作效率。

![image.png](https://static.downly.cn/images/45e8de5f800f2c7a10a402d56ace5537.png)
图源备注：图片由AI生成

## 剑指英伟达霸主地位 谷歌TPU业务估值或达9000亿美元
谷歌正积极推广其自研的TPU（张量处理单元），并与众多小型云服务商展开合作，意图在价值巨大的AI硬件市场中挑战英伟达的绝对领先地位。据分析，谷歌的TPU业务若与旗下的顶尖AI研究机构DeepMind深度结合，其整体估值潜力可能高达9000亿美元，这预示着AI芯片领域的竞争将愈发激烈。

![image.png](https://static.downly.cn/images/285243c9fe4c3c460c5b2859db4ff031.png)
图源备注：图片由AI生成

## 打印机也懂批改作业 爱普生发布全球首款AI学习打印机
爱普生联合京东发布了全球首款AI学习打印机，将人工智能与传统打印设备创造性地结合。这款打印机内置了AI作文批改、口算检查、错别字识别三大核心功能，旨在通过“AI+打印”的新模式，让学习过程回归纸张，同时又赋予纸张前所未有的智慧，为家庭教育场景提供了全新的解决方案。

![image.png](https://static.downly.cn/images/8f0e07fdc4f0c3ad4cf4360fd6af03e0.png)
图源备注：图片由AI生成

## AI预报官“上岗” 中国气象局遴选14个AI模型迎接汛期考验
中国气象局正积极推动AI技术在天气预报领域的创新应用。在一项有35家高校、企业和科研单位参与的示范计划中，经过严格的测试与遴选，14个表现优异的AI天气预报模型脱颖而出。这些模型，包括伏羲、璞云、风乌、风清和盘古等，均已完成迭代更新，正式“上岗”，准备迎接汛期的严峻考验。

![image.png](https://static.downly.cn/images/c29e51f347d2737af876a96dd5b0a6f8.png)
图源备注：图片由AI生成

## 告别脆弱自动化 TestGrid发布CoTester™ 2.0引领AI测试新革命
TestGrid公司正式发布了其首个企业级AI测试代理CoTester™ 2.0。该产品旨在解决传统AI测试工具普遍存在的自动化流程脆弱、测试覆盖率低、维护成本高昂等痛点。CoTester™ 2.0创新地融合了视觉-语言智能、人类监督和机器人自动化精度，通过多模态视觉-语言代理实现近乎人类的测试解读能力，从而显著提升软件测试的效率与质量。

![image.png](https://static.downly.cn/images/34655de79458d9d43104de59209f6a66.png)
图源备注：图片由AI生成

## Devin集成引争议 Windsurf被指bug不断或临生存危机
近期，关于AI程序员Devin与现有平台Windsurf的整合过程引发了业界的担忧。一位知情人士透露，自从整合开始以来，Windsurf平台bug不断，而官方似乎并未积极响应，这种“装死”的态度可能导致其百万用户流失。外界担忧，这次整合如果处理不当，最终可能对Windsurf造成毁灭性的打击，使其陷入生存危机。

![image.png](https://static.downly.cn/images/0b8d4170f7eed481a3dcfe6fac77e32d.png)
图源备注：图片由AI生成

每日AI资讯0910：清华0.1秒“复活”照片，微软“牵手”新欢，AI军备竞赛开启新篇章

> 今日AI领域创新活跃，各大厂商竞相发布新工具与新功能。从腾讯的游戏视觉平台升级，到钉钉的文档解析利器，再到京东的电商文案工具，AI正全面提升各行业生产力。同时，ChatGPT与Kimi等头部模型也迎来重要更新，不仅开放了更多免费功能，还在性能和交互体验上实现新突破，市场竞争格局也因新玩家的入场和新计划的推出而愈发激烈。

## 腾讯混元平台再进化 游戏视觉创作进入“快车道”

腾讯混元游戏视觉生成平台现已升级至2.0版本，该版本在游戏图生视频、自定义模型训练及角色精修等方面实现了重要突破。新平台显著提升了2D生图、图生视频及文生图在游戏场景下的表现，有效解决了游戏美术设计与宣发环节中动态内容生成难、风格定制繁琐以及细节优化耗时等核心痛点，为游戏美术设计师的工作效率带来了质的飞跃。

![image.png](https://static.downly.cn/images/a21665f9e37cabd48357447ed429ee19.png)

图源备注：图片由AI生成

## 钉钉联手OpenDataLab发布DLU 高效解析复杂文档

OpenDataLab与钉钉合作，基于强大的MinerU引擎推出了一款名为DLU的文档解析工具。该工具能够支持多种文档格式，并精准提取图表、公式等复杂元素，生成高质量的训练语料，旨在大幅提升企业处理专业内容的效率。为了推动AI应用的进一步落地和发展，该工具计划于近期进行开源。

![image.png](https://static.downly.cn/images/71a887c6bd92b441e6a74084ba54b259.png)

图源备注：图片由AI生成

## ChatGPT功能下放 免费用户喜提项目管理新工具

OpenAI近期调整了ChatGPT的功能策略，将部分项目管理相关的功能向免费用户开放。根据新规，免费用户现在每天可以上传最多5个文件进行处理。与此同时，Plus用户的上限提升至25个，而Pro、商业及企业版用户的上限则为40个。此举体现了OpenAI旨在满足不同用户群体的需求，并通过功能分层进行产品升级的策略。

![image.png](https://static.downly.cn/images/fdeb409f67634d4d6be6a5b1f06a823c.png)

图源备注：图片由AI生成

## 月之暗面Kimi模型再升级 高速API全面开放

月之暗面发布了其Kimi K2模型的最新版本（0905），新版本重点强化了Agentic Coding能力和编程任务处理性能。此外，模型上下文长度已扩展至256K，并推出了全新的高速API，其输出速度可达每秒60至100个Token，旨在满足更复杂、长线的任务需求，并显著提升应用的响应效率。

![image.png](https://static.downly.cn/images/99ad999ea0827ff6d4f684300ef8eb5d.png)

图源备注：图片由AI生成

## OpenAI布局新赛道 AI招聘平台挑战LinkedIn霸主地位

据报道，OpenAI正在积极开发一款名为“OpenAI招聘平台”的人工智能招聘服务。该平台计划于2026年中期正式推出，其核心目标是利用先进的AI技术，实现企业与求职者之间的高效精准匹配。此举被视为直接挑战当前由微软旗下、其早期投资者Reid Hoffman联合创办的职场社交巨头LinkedIn。

![image.png](https://static.downly.cn/images/bee307a171129d59491bfa3ae459d1bd.png)

图源备注：图片由AI生成

## ChatGPT体验革新 引入分支对话功能

ChatGPT网页版现已上线分支对话功能，允许用户在同一次对话中创建多个独立的讨论分支。这一新特性使得用户可以在不干扰主线思路的情况下，自由探索不同的想法和问题方向。该功能极大地提升了交互的灵活性和个性化体验，尤其适用于头脑风暴、复杂问题深度探讨以及多角度思考等应用场景。

![image.png](https://static.downly.cn/images/966185f22efbbab268e2ca50ff7fe953.png)

图源备注：图片由AI生成

## 京东发布“京点点AI文案” 电商营销三秒成稿

京东针对电商商家推出了一款名为“京点点AI文案”的高效创作工具。该工具旨在帮助商家减轻文案创作的压力，用户仅需输入商品的SKU并选择期望的文案风格，系统便能在短短三秒内生成具有高转化率的营销文案，从而极大地提升了商家的运营效率。

![image.png](https://static.downly.cn/images/ea2bf38f7ec160c578964ebb9d92c30c.png)

图源备注：图片由AI生成

## AI阅读工具新突破 电子书一键转为思维导图

由SSShooter团队开发的“电子书转思维导图”AI工具，旨在解决电子书格式限制和信息结构不清晰的阅读痛点。该工具能够智能解析EPUB和PDF文件，将其内容自动转换为结构化的思维导图和精炼的文字总结。这不仅帮助读者更高效地把握书籍的核心脉络，还极大地提升了深度阅读和知识管理的效率。

![image.png](https://static.downly.cn/images/ab8a8091b9c018bd8478d6570d9473bc.png)

图源备注：图片由AI生成

## 智谱AI发起“搬家计划” 以七分之一价格对标Claude

智谱AI近日宣布，其API已全面兼容Claude协议，并为此推出了“Claude API用户特别搬家计划”。用户现在只需简单地更换API地址，就能将原有的应用从Claude模型无缝切换到智谱的GLM模型。此举极大地降低了开发者的迁移成本，并以极具竞争力的价格吸引用户。

![image.png](https://static.downly.cn/images/351f8e456a2ae0e59f81ddf51bee95c7.png)

图源备注：图片由AI生成

## 快手开源多模态推理模型 视频理解树立新标杆

快手发布并开源了一款先进的多模态推理模型，该模型在视频理解领域展现出卓越性能。它支持高达128k的上下文长度，能够实现0.1秒级的精准视频定位，并具备强大的跨模态推理能力。这项技术的突破，展示了如何将前沿研究成果成功应用于面向千万用户的实际产品中，为技术规模化落地提供了范例。

![image.png](https://static.downly.cn/images/36f0b3f8942695f823616429d3ad9db4.png)

图源备注：图片由AI生成

每日AI资讯0906：从三秒出稿到秒解视频，生产力工具迎来“落地”爆发期



> 导语：今日AI界风起云涌，谷歌Gemini与YouTube纷纷推出强大的AI图像视频生成新功能，引领视觉内容创作新浪潮。与此同时，李沐团队发布了开创性的文本转语音模型Higgs Audio v2，而皮尤研究则揭示了AI对搜索行为的深刻影响。此外，Anthropic的研究为AI安全敲响警钟，阿里云则推出了更具性价比的编程大模型，快手与上交大联合推出的Orthus模型也打破了多模态生成的边界。

## 谷歌Gemini迎来重磅更新：内置Imagen模型，一键生成高质量图像

谷歌AI服务Gemini进行了重大升级，现在用户可以直接在界面中调用Imagen模型，轻松生成高质量的图像。此次更新还提供了遵循MCP规范的llms.txt文件，方便开发者获取最新的API和SDK使用方法。这一系列举措旨在简化开发流程，提升AI应用的性能，帮助开发者在日新月异的AI领域中保持领先地位。

![image.png](https://static.downly.cn/images/897b4259c51cbaa8aafefbe9bd78b1b8.png)

## 李沐团队发布Higgs Audio v2 开创语音合成新纪元

知名AI创业者李沐团队Boson.ai近日推出了开源的文本转语音大模型Higgs Audio v2。该模型功能强大，不仅支持多语言对话生成、韵律调整和声音克隆，甚至可以创作并演唱歌曲。Higgs Audio v2融合了1000万小时的语音数据进行训练，在情感和问题类别测试中表现远超GPT-4o-mini-tts。其先进的技术能够有效处理音频并利用预训练大模型，支持上下文学习。该模型的应用场景十分广泛，包括实时语音聊天、内容创作和语音克隆等，其代码现已在社区开源。

![image.png](https://static.downly.cn/images/308914ac71a51c79cbf4851a33039e11.png)

## 皮尤研究中心重磅发布 谷歌AI概览重塑搜索行为，外部网站流量锐减

皮尤研究中心的最新研究报告指出，谷歌的AI概览功能正在显著改变用户的搜索习惯。数据显示，该功能导致用户点击外部网站的流量大幅减少。当AI摘要出现时，仅有8%的用户会点击其他网站链接，而只有1%的用户会点击AI提供的源链接，大多数用户的搜索行为在谷歌页面内就已经结束。维基百科和政府网站成为这一趋势的最大受益者，而新闻出版商的流量则遭受了严重打击，这对开放的互联网生态系统产生了深远的影响。

![image.png](https://static.downly.cn/images/1dc682e6bc1f63f3626df0344ad9034e.png)

## Anthropic研究揭示 AI模型能从无害数据中习得隐藏行为

Anthropic的一项开创性研究揭示了AI模型之间存在一种被称为“潜意识学习”的未知现象。研究发现，模型能够在没有明确线索的情况下，通过数据中微妙的统计模式，继承教师模型的隐藏行为特征，即使这些数据看似完全无害。这种现象可能导致“错位”和“奖励黑客”等高风险行为的传播，对当前依赖数据过滤的安全模型构建方法提出了严峻挑战。这项研究呼吁，AI安全检查需要更加深入，必须考虑到这些能够躲避检测的统计特性，以确保AI系统的安全与可靠。

![image.png](https://static.downly.cn/images/442dcec2c9ecf64aaa7c89f4b264da87.png)

## Qwen3-Coder上线阿里云百炼 价格比Claude 4便宜3倍

阿里云最新推出了AI编程大模型Qwen3-Coder的API。该模型在性能上表现卓越，已超越GPT4.1等闭源模型，并与Claude4不相上下。更具吸引力的是，其价格仅为Claude4的三分之一，为广大开发者提供了一个低成本、高效率的编程解决方案。

![image.png](https://static.downly.cn/images/617a97b5c0af617e774c16cf3ff616c7.png)

## 快手与上交大联合推出Orthus模型 打破多模态生成新边界

快手与上海交通大学合作开发的Orthus模型，在近期的ICML大会上亮相并宣布开源。该模型基于自回归Transformer架构，能够高效地实现图文互转、图像编辑以及网页生成。在多项性能指标上，Orthus均超越了现有模型，展现出在多模态生成与理解领域的巨大潜力。

![image.png](https://static.downly.cn/images/190aef4bc3f4c6299fbce4da65785a94.png)

## 谷歌与YouTube引领AI视觉创作新潮流

谷歌相册和YouTube Shorts近期双双发布了强大的AI新功能，进一步降低了普通用户的创作门槛。谷歌相册新增的AI功能，不仅能将用户的照片“混搭”成动漫、漫画、素描或3D动画等不同风格，还能将静态图片一键转换为生动的视频。与此同时，YouTube Shorts也推出了类似的功能，允许创作者将相册中的图片转化为时长六秒的短视频，并增加了多种AI特效，极大地丰富了短视频的创作形式。

![image.png](https://static.downly.cn/images/74d9516c523f823722ea1f0c5eee78c1.png)


每日AI资讯0724：谷歌Gemini、YouTube引领AI图像视频新浪潮，李沐团队发布语音合成新模型

国内领先的AI图像生成平台，基于Stable Diffusion技术

搜索结果: 视觉创作