跳到正文
实时
#图像生成
10月31日周六
10月30日周五
  1. Hugging Face Daily Papers31

    SpecSlot：一种用于像素空间生成 Transformer 的角色耦合标记化方法

    SpecSlot 通过使用局部频谱槽和限制全局注意力来改进像素空间生成 Transformer，在不增加计算成本的情况下提高图像细节。SpecSlot 将每个空间锚点扩展到多个槽，每个槽分配一个不同的 DCT 系数带，这分离了锚点密度和频谱细分；每个锚点只有最低频的槽参与全局注意力，而所有槽都进行局部交互。

  10. TechCrunch · AI55

    Meta 静默推出 AI 时尚应用 Style Sketch

    Meta 静默推出 AI 时尚应用 Style Sketch，该应用通过连接 Instagram 或手动上传照片构建虚拟衣橱，为用户推荐基于已有衣物的穿搭组合，并提供与体型肤色匹配的虚拟试穿功能。应用目前仅在印尼、新加坡和泰国推出，支持 iOS 和 Android 平台。

    同一件事 · 2 家
10月29日周四
  1. IT之家 · AI58

    微软发布自 2018 年以来最大 DirectX 光追升级：AMD RX 9070 示例性能提升约 66 倍

    微软推出 DirectX 12 Agility SDK 1.620 正式版和 1.722 预览版，为 DXR 带来集群几何体、PTLAS 等更新以降低光追计算开销。在 AMD RX 9070 上，集群几何体将性能从 1.2 FPS 提升至 79 FPS，约 66 倍提升，内存占用减少近 90%。新功能需显卡厂商驱动支持，目前涵盖英伟达 RTX、AMD RX 9000 系列及英特尔 Arc 显卡。

  3. IT之家 · AI42

    XHEART 新芯航途智驾大模型芯片 X7 Ultra 发布：700 TOPS 大模型算力，中国首发量产 Armv9 车规级 CPU

    XHEART 新芯航途发布大模型芯片 X7 Ultra，算力达 700 TOPS，量产模型实测 99.99% 对齐，内存带宽消耗下降 80%、能效提升 100%。芯片内置高精度算子加速引擎，原生支持 FP16/FP32 计算，中国首发量产 Armv9 车规级 CPU，性能提升 20%、能效提升 10%。

  4. Hugging Face Daily Papers

    嵌入Gemma 2：统一高效的跨模态表示模型

    EmbeddingGemma 2 是一个开源的多模态嵌入模型，将文本、图像、音频和视频表示统一在高效且资源灵活的设计中，并在基准测试中表现优异。它在所有模态的嵌入基准测试中建立了新的帕累托前沿，优于专业模型和规模大两到十二倍的其他模型。该模型支持选择性模态编码器加载、可调节的视觉标记预算、可截断的嵌入维度和量化权重，以适应资源受限的环境。

  7. ByteDance Seed · Hugging Face 新模型

    ByteDance-Seed/GenFirst 发布：一种用于稳定端到端潜在生成建模的生成前置重建方法

    ByteDance-Seed/GenFirst 训练一个潜在 VAE 并联合一个生成先验，避免通常使端到端训练不稳定的潜在崩溃。该方法的两个阶段计划用于先验和熵权重：第一阶段让先验塑造潜在几何形状，第二阶段将两者权重十倍降低，使解码器恢复细节。

10月28日周三
  1. IT之家 · AI65

    苹果 iOS 27.2 更新照片应用：共享相簿新增四项功能

    苹果 iOS 27.2 为 iPhone 照片应用带来两项新改进，涉及共享相簿功能和 AI 生成或编辑图像的识别能力。用户现在可以编辑共享相簿中的照片说明和评论、避免重复添加照片，并在相簿即将到期前收到提醒；系统还新增了对 SynthID 数字水印的支持，以帮助识别使用生成式 AI 创建或修改的图像。

  3. Hugging Face Daily Papers

    SPOT通过提交顺序预测增强扩散语言模型的推测解码。

    SPOT 通过预测 token 生成顺序并行验证候选，将扩散语言模型的遍历次数减少高达 6.8 倍，同时保持精确解码。该 0.62M 参数模型读取目标输出分布，预测顺序并提出候选树，目标模型通过状态等式在单次遍历中验证。SPOT 在 SDAR-8B 上将目标遍历次数减少至标准解码的 1/6.8，吞吐量提升 3.4 倍，并在所有任务和预算下超越校准无训练基线。

  5. 量子位58

    无问芯穹在NVIDIA GPU算子性能评测榜单SOL-ExecBench上取得88项第一

    无问芯穹在NVIDIA Research推出的GPU算子性能评测榜单SOL-ExecBench上以88项单题第一位居所有参赛团队之首，覆盖L1基础算子、L2融合算子、Quant量化算子与FlashInfer-Bench推理算子四大赛道。其通过容器化隔离架构、模块化Skills与共享记忆机制，结合针对不同计算场景的精细化优化策略，实现了AI自主完成复杂算子优化的能力。

  6. Hugging Face Daily Papers

    分解矢量量化技术提升离散视觉token质量

    分解矢量量化技术通过在互补特征视图上使用并行码本提升了离散视觉token质量，使其在多模态理解中能匹配连续表示，在工业级多模态数据上训练的模型在九项指标平均上比 UniAR 和 Emu3-Chat 分别高 22.8% 和 59.2%，是目前首个能与 Qwen3-VL 等强连续表示模型竞争的离散表示模型。

  8. Hugging Face Daily Papers65

    Looped Transformers with Truncated Backpropagation 的扩展研究：是否截断训练循环？

    Looped Transformers 在相同计算量下通过完整回溯时训练优于截断回溯，扩展规律表明当模型大小可调时两个循环为最佳。Looped Transformers 通过复用共享层块增加计算深度而不增加可训练参数量，通常使用回溯时训练（BPTT），但为节省训练计算量常截断至最后几循环，这可能导致梯度偏差削弱循环优势。

  9. Hugging Face Daily Papers

    OvisOCR3 技术报告

    OvisOCR3是一个0.8B视觉语言模型，通过多导师蒸馏和强化学习统一多种OCR任务，在文档解析、通用OCR、关键信息提取、图文描述和跨页表格重建等任务上达到SOTA结果，在OmniDocBench v1.6上获得96.74分，在OCRBench v2英语和中文拆分中排名第一，并在多个基准测试中超越基线模型。

  10. Hugging Face Daily Papers65

    LociArt：一种统一的自由风格局部视频风格化范式

    LociArt通过生成精炼网络、自动化数据集构建和专用基准实现精确的局部视频风格化，支持区域风格控制和时间一致性。GRNStyle在生成精炼网络基础上引入极性风格感知掩码，结合表示-几何条件化技术，实验表明其在区域风格质量和空间控制上优于现有方法。LociArt-100K数据集包含10万局部风格化对，基准包含80个源视频和84个目标掩码，采用风格原型相似度评估方案。

  12. Hugging Face Daily Papers65

    HiP3R：用于长时程 3D 重建的层次位姿图

    HiP3R 使用层次位姿图将局部视频重建合并为全局一致的相机轨迹和 3D 几何，无需重新训练。它首先优化鲁棒的块级 Sim(3) 图以建立全局布局和尺度，然后固定此布局并估计每帧的共享 SE(3) 相机，将重叠窗口预测转换为单一轨迹。实验在多个基准上证明 HiP3R 在改进相机轨迹和 3D 重建方面的有效性，且适用于基于块和流式后端，无需额外训练或微调。

  13. 量子位

    印奇把4D雷达也端到端了

    千里科技推出AI 4D毫米波雷达，内置10 TOPS NPU，支持本地AI感知与卫星架构并行输出，实现从天线设计到点云输出的端到端AI处理。该雷达点云密度增强10倍，探测距离提升40%，鬼影消除率达95%，空间角分辨力提升12倍，提供边缘侧、卫星架构及兼容三种工作模式，以适应不同功能等级和平台需求。

  16. AWS Machine Learning Blog34

    Property Finder 如何在 Amazon Bedrock 上识别评估偏差并优化模型成本

    Property Finder 在迁移视觉 AI 工作负载至 Amazon Bedrock 时发现其评估数据集 96.8% 的标签来自单一模型的预测而非人工验证，导致新模型客观比较受阻。该公司通过人工专家独立标注 356 张图像构建可信基准数据集，并采用进化式提示优化迭代 27 次后，在保持 86% 准确率的同时将成本降低 86%。

10月27日周二