GPT-4o图像生成的「核燃料」找到了！万字长文拆解潜在变量，网友：原来AI在另一个维度作画
GPT-4o图像生成的「核燃料」找到了！万字长文拆解潜在变量，网友：原来AI在另一个维度作画上个月， GPT-4o 的图像生成功能爆火，掀起了以吉卜力风为代表的广泛讨论，生成式 AI 的热潮再次席卷网络。
来自主题: AI技术研报
6722 点击 2025-05-06 16:59
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
上个月， GPT-4o 的图像生成功能爆火，掀起了以吉卜力风为代表的广泛讨论，生成式 AI 的热潮再次席卷网络。
据 TechCrunch 报道，Recraft，这家神秘图像模型背后的初创公司，去年在一个备受尊敬的行业基准测试中击败了 OpenAI 的 DALL-E 和 Midjourney，已完成由 Accel 领投的 3000 万美元 B 轮融资。
Midjourney v7上线后，配套的角色参考（cref）功能一直迟迟未公布。当时我就有个预感，也在评测文章里说过：这可能是个全新功能的伏笔。果然，今天Midjourney正式公布「Omni-Reference」，即「全向参考」，或翻译成「万能参考」，配合--oref、--ow两个参数使用，这不是Character Reference的v7升级版，而是一次全面的参考进化。
原本的我：我把话撂这儿了，就是DeepSeek R2来了，我都不更！有事假期结束再说。 看完豆包Case的我：哎嘿真香~不是我卷朋友们，实在是它这波真的很强，非常强，4o在我这里暂时都没那么香了。废话咱就不多说了，还是先简介然后上案例！
我又发现好东西了！前几天在 Artificial Analysis 上发现了一个新模型：17B 参数的国产模型 HiDream-I1排到第二名，和 GPT-4o 得分非常接近！
在线平面设计平台Freepik 于周二发布了一款新型“开放”AI 图像模型，该公司称该模型仅基于商业授权、“适合工作环境”的图片进行训练。
追星分泌多巴胺，却也伴随大量做数据等考验精神耐力和体力的绝望劳动。应援、做数据，为自担辗转各大平台控评，以及为每一次线下见面设计应援物，每一项都耗损心神，靠饭圈女孩用爱发电。 随着AI生成图文的功能强大，一些饭圈女孩被解救出来。
自回归模型，首次生成2048×2048分辨率图像！来自Meta、西北大学、新加坡国立大学等机构的研究人员，专门为多模态大语言模型（MLLMs）设计的TokenShuffle，显著减少了计算中的视觉Token数量，提升效率并支持高分辨率图像合成。
阶跃星辰正式发布并开源图像编辑大模型 Step1X-Edit，性能达到开源 SOTA。该模型总参数量为 19B (7B MLLM + 12B DiT)，具备语义精准解析、身份一致性保持、高精度区域级控制三项关键能力；支持 11 类高频图像编辑任务类型，如文字替换、风格迁移、材质变换、人物修图等。
OpenAI推出图像生成API，低至0.02美元/张，支持多模态定制。