在AIGC的浪潮中，3D生成模型（如TRELLIS）正以惊人的速度进化，生成的模型越来越精细。然而，“慢”与计算量大依然是制约其大规模应用的最大痛点。复杂的去噪过程、庞大的计算量，让生成一个高质量3D资产往往需要漫长的等待。
近日，腾讯优图实验室联合华东理工大学、北京大学等研究团队在A生成图像检测（AI-Generated Image Detection）泛化问题上展开研究，提出Dual Data Alignment（双重数据对齐，DDA）方法，从数据层面系统性抑制“偏差特征”，显著提升检测器在跨模型、跨数据域场景下的泛化能力。
2025 年，AIGC 热度再冲新高：从社交头像、电商海报到影视分镜，AI 生成内容已全面渗透日常创作。在这股浪潮中，Nano Banana、Qwen Edit 等通用图像编辑大模型功能强大，涵盖了广泛的图像编辑场景。特别是最新爆火的 Nano Banana Pro 能将文字指令转化为高精度图像，精准呈现复杂场景。但是上述图像编辑大模型在一些细分领域的表现仍有不足，并且用于简单任务性价比不高。
扩散概率生成模型（Diffusion Models）已成为AIGC时代的重要基础，但其推理速度慢、训练与推理之间的差异大，以及优化困难，始终是制约其广泛应用的关键问题。近日，被NeurIPS 2025接收的一篇重磅论文EVODiff给出了全新解法：来自华南理工大学曾德炉教授「统计推断，数据科学与人工智能」研究团队跳出了传统的数值求解思维，首次从信息感知的推理视角，将去噪过程重构为实时熵减优化问题。
近日，AAAI 2026 公布了录用结果，该会议是是人工智能领域极具影响力的国际顶级学术会议之一。据悉本次会议共有 23680 篇投稿进入审稿阶段，最终 4167 篇论文被录用，录取率为 17.6%。
打造 AI 时代计算效率的新标杆。
昨天测试了一款很拉跨的 AIGC 类产品，再也不用了。 我不清楚，为什么有些生成类的产品还在可劲强调生成能力，而不花心思做修改和编辑的体验。 一个项目做到九成，我们脑子里经常会冒出个错觉，好像离终点只
当下的文本生成图像扩散模型取得了长足进展，为图像生成引入布局控制（Layout-to-Image, L2I）成为可能。
生数科技前产品副总裁廖谦创业了。在此之前，他还先后担任过字节剪映与火山引擎前AIGC产品负责人。8月底从老东家离职后，公司成立仅半个月，就已经拿下了硅谷美元基金HT Investment与BV百度风投的数百万美元投资。
自 2023 年起，AIGC 平台迅速演进，用户从生成一张图走向创造一个“人”。捏Ta 2.0就想成为让这个拐点发生的那款产品。这次升级的意义不在更快的渲染或更新的 UI，而在于正面回答了那个关键问题：AI 的幻想世界，如何真正“长出生命力”。
