NegBench 是一个用于评估视觉语言模型（VLM）在理解否定方面的基准测试。它包含多种任务和模态，旨在模拟现实世界的检索系统，并通过大规模合成数据微调显著提高模型在否定场景下的性能。该基准测试涵盖18种任务变体和79,000个示例，涉及图像、视频和医疗数据集。

EraseBench 是一个多维基准框架，专门用于评估文本到图像生成模型中的概念擦除技术。它包含超过 100 个不同概念和 1000 个定制提示，旨在全面评估擦除方法的鲁棒性和可靠性。该框架揭示了在处理视觉相似、二项式和语义相关概念时，概念擦除技术的局限性，特别是‘概念纠缠’及其‘连锁效应’的问题。

Inductive Moment Matching (IMM) 是一种新型生成模型，能够在单阶段从零开始训练，实现高效且稳定的样本生成。它利用随机插值器和时间相关的边缘分布，学习一个单步采样器，将分布从时间 t 转换到 s < t。通过最小化不同起始时间导出的时间 s 分布之间的最大平均差异 (MMD)，IMM 保证分布级别的收敛性。在图像生成任务上，IMM 取得了最先进的性能，例如在 ImageNet-256x256 上仅需 8 步推理，FID 达到 1.99。

文小言是百度基於文心大模型開發的一款AI搜尋和創作助手，提供個性化搜尋結果、創作建議，並支持語音和圖片輸入。它被設計為滿足用戶日常需求的綜合AI助手，特別是在搜尋和內容創作方面表現突出。文小言的前身是百度的Ernie Bot，於2024年重新品牌化，增加了多模態搜尋功能，如文字轉圖片生成。

Glyph-SDXL-v2 是一个基于 SDXL 的文本生成图像模型，使用 Glyph-ByT5-v2 文本编码器实现准确的多语言视觉文本渲染。该模型支持 10 种语言，包括英语、中文、日语、韩语、法语、德语、西班牙语、意大利语、葡萄牙语和俄语。研究表明，其在视觉文本渲染和美学质量方面表现优于 DALL-E3 和 Ideogram 1.0。该模型特别适用于广告设计、海报设计和标语设计等场景。

MiniMax-VLL-01 是 MiniMax 公司发布的一个开源视觉语言大模型，具备高达 400 万 tokens 的超长上下文窗口和顶尖的多模态能力。该模型采用 Lightning Attention 机制，能够高效处理长序列信息，并支持动态调整输入图像的分辨率。在多个权威多模态基准测试中表现领先，适用于智能客服、虚拟助手和自动化报告生成等复杂任务。

Pic Copilot 是一个专为电商设计的AI驱动图片优化工具，旨在通过图像生成模型提升图片的点击转化率。它通过深度学习海量图片点击数据，显著增强图片吸引力，帮助商家在竞争中脱颖而出。Pic Copilot 提供一键生成并替换图片的功能，支持多种风格和主题，满足不同营销需求。特别适合需要快速批量生成和优化图片的电商企业，节省时间成本并提升产品展示效果。

NVIDIA Cosmos 是一个开源平台，旨在模拟和构建物理世界的基礎模型，支持从数据整合到自定义微调的各个开发阶段。它主要用于为机器人和自动驾驶汽车创建逼真的物理环境，帮助开发者加速物理AI系统的开发。平台基于Transformer的自回归和扩散双架构模型，支持视频生成和世界模型开发，训练数据包括90万亿个token，涵盖2000万小时的自动驾驶、机器人和合成环境数据。

Qwen2.5VL 是阿里巴巴 Qwen 系列的最新旗舰视觉语言模型，专注于图像、文本和视频的多模态理解与识别。该模型在视觉代理、视频理解和文档解析等方面表现出色，支持层级定位、JSON 格式输出和秒级事件定位。Qwen2.5VL 能够处理超过 1 小时的视频，适用于安防、教育、商业和娱乐等多个领域。

LCM-LoRA 是由清华大学和 Hugging Face 研究人员开发的加速模块，基于潜在一致性模型（LCM）。它通过对稳定扩散模型（Stable Diffusion）进行知识蒸馏，将生成图像的步骤从 25-50 步减少到 4-8 步，速度提升 5-10 倍，实现实时生成效果。LCM-LoRA 利用低秩适应（LoRA）技术分解神经网络，降低内存消耗，支持多种模型如 SD-V1.5、SSD-1B 和 SDXL，无需重新训练即可嵌入。

Emu Edit 是由 Meta 开发的一款先进图像编辑工具，能够通过自然语言指令实现精确的图像编辑。它不仅能处理常见的编辑任务，如背景更换、物体添加/删除、颜色和风格调整，还能执行复杂的计算机视觉任务，如物体检测和分割。此外，它还能进行创意生成，例如将照片转换为卡通或油画风格。Emu Edit 通过多任务训练支持多种编辑和视觉任务，并使用任务嵌入来引导生成过程，确保编辑符合指令。其训练数据集包含约 1000 万合成样本，是目前同类中最大的数据集之一。

Outfit Anyone 是由阿里巴巴集团智能计算研究所开发的AI模型，专注于虚拟试穿功能。用户只需上传一张人物照片和一张服装照片，模型便能生成高质量的虚拟试穿图像。通过深度学习和计算机视觉技术，模型能自动识别服装和人物的特征（如形状、纹理、颜色等），并根据人物的姿势和背景合理调整服装的位置和大小，使其完美贴合。该模型未开源，但用户可通过Hugging Face Space体验。

Relightable Gaussian Codec Avatars (RGCA) 是由 Meta 的 Codec Avatars Lab 开发的一种生成高保真、可重照明的3D头部头像的技术。该技术使用3D高斯分布进行几何建模，从动态面部序列中捕捉亚毫米级细节，如头发丝和毛孔。其外观模型基于可学习的辐射传输，结合全局照明感知的球谐函数和球面高斯分布，支持在点光源和连续照明下的实时重照明。此外，RGCA 还包括可重照明的显式眼部模型，以改善眼部反射和注视控制。该技术在系留式消费级VR头显上展示了实时性能，且研究显示其优于现有方法。

PixelLLM 是一个基于大型多模态模型（LMM）的研究项目，专注于像素级的图像理解和定位任务。它能够为图像中特定位置提供详细描述，并准确定位这些位置。该项目由 Google Research 和 UC San Diego 的研究人员合作开发，旨在探索大型语言模型如何从视觉输入中获得空间理解和推理能力。PixelLLM 在 RefCOCO 和 Visual Genome 数据集上达到了最先进的性能，特别是在引用定位和密集对象字幕任务中表现出色。

Vary是一种新的视觉识别方法，专注于文档级OCR和图表理解。它通过两个阶段生成并整合新的视觉词汇，首先设计词汇网络和小型解码器，通过自回归生成所需词汇，然后通过合并新词汇和原始词汇（CLIP）来扩展原始视觉词汇，使大型视觉语言模型（LVLMs）能够快速获取新特征。Vary在保持原有能力的同时，展现出更出色的细粒度感知和理解能力，尤其擅长识别表格和公式，并具备多模态推理能力。

Wild2Avatar 是一种专门处理遮挡人体的高保真神经渲染方法，能够从遮挡的单目视频中还原完整人体外观。该方法通过场景参数化分解为遮挡物、人体和背景，并使用多个损失函数优化，适用于增强现实、电影制作和医疗等领域。

Depth Anything 是一个高度实用的单目深度估计解决方案，旨在构建一个简单而强大的基础模型，能够处理任何图像并适应任何场景。该模型使用约6200万张无标签图像进行训练，涵盖多个领域和场景，展示了出色的零样本泛化能力，并在NYUv2和KITTI数据集上创下了新的最佳性能。

InstantID 是一种基于扩散模型的图像生成技术，专注于零次身份保留的个性化图像合成。它允许用户仅用一张面部图像生成多种风格的个性化图像，保持高保真度。项目无需额外模型训练或测试时的微调，可与预训练的文本到图像扩散模型无缝集成。核心组件 IdentityNet 结合面部和地标图像与文本提示，指导图像生成。

Vary-toy 是一个由旷视、国科大、华中大的研究人员共同开发的小型视觉语言模型，参数量为1.8B，能够在消费级显卡（如1080Ti）上训练和运行。它支持多种视觉语言任务，包括处理图片中的文字、图表、公式，以及对象检测、图像描述、视觉问答等，同时支持中英文。通过改进的视觉词汇表增强视觉感知能力，Vary-toy在多个数据集上的表现与7B级模型相当甚至更好，且计算开销更低。

SUPIR 是一个由 XPixel Group 开发的图像修复工具，基于大规模扩散生成式先验模型。它通过文本提示进行智能、高保真的图像修复，适用于多种图像类型，如风景、人物、动物等。SUPIR 的核心功能包括图像修复与增强、文本引导修复和多模态技术支持。用户可以通过 GitHub 仓库运行本地脚本，或访问在线应用进行图像处理。

Genie 是由 Google 开发的生成式 AI 模型，基于纯视频数据训练，能够从单一图像提示生成交互式可玩环境。该模型拥有 110 亿参数，训练数据超过 20 万小时的 2D 平台游戏视频，通过无监督学习角色运动、控制和动作，以及世界的物理和逻辑规则。尽管目前生成动画的帧率较低、持续时间较短，但其在潜在动作预测上的表现展示了生成交互式虚拟世界的潜力。

MindEye 是一个由 MedARC 与多个研究机构合作开发的项目，专注于从功能磁共振成像（fMRI）的大脑活动中重建和检索图像。该技术通过检测含氧血流变化来测量大脑活动，已在自然场景数据集上训练和评估，表现出色的图像检索和重建能力，特别是在图像检索任务中，准确率超过90%。MindEye 可应用于医疗领域，用于诊断和评估方法，尤其是在患者难以沟通的情况下，并有望改善脑机接口的性能。

DMD（Distribution Matching Distillation）是由麻省理工学院和 Adobe 研究院联合开发的快速图像生成技术。它通过蒸馏技术大幅提高图像生成速度，同时保持高质量的图像输出。DMD 能够在单步内将随机噪声映射为真实感图像，并使用 LPIPS 回归损失和分布匹配梯度增强生成图像的真实感。与 Stable Diffusion 相比，DMD 在保持图像质量的同时，速度提高了 30 倍。

Stable Diffusion 3 Medium (SD3 Medium) 是由Stability AI开发的一种文本生成图像AI模型，属于Stable Diffusion 3系列，于2024年7月5日发布。该模型参数规模为20亿，旨在提供高品质的图像生成能力，特别在照片级真实感、提示词遵循、排版质量和资源效率方面表现出色。它通过创新的架构和优化，与NVIDIA和AMD的合作，使其适合在消费级GPU上运行，同时支持小数据集的微调，满足定制化需求。

Unique3D 是由清华大学开发的一个创新项目，专注于从单张 RGB 图像快速生成高质量的 3D 网格模型。该技术利用深度神经网络中的 ControlNet 架构，能够在不到 30 秒的时间内生成具有高保真纹理和几何细节的 3D 模型。Unique3D 通过多视角扩散模型和 ISOMER 算法，提供了卓越的几何和纹理细节精度，且已开源。

UltraPixel 是一款革命性的图像生成模型，能够直接生成从 1K 到 6K 分辨率的高保真图像。它利用级联扩散模型，在单一模型内处理多种分辨率，同时保持计算效率。模型通过后期去噪阶段利用低分辨率图像的语义丰富表示，指导高分辨率图像的生成，显著降低复杂性。此外，它引入了隐式神经表示进行连续上采样，并采用适应不同分辨率的尺度感知归一化层。这些技术确保图像在低到高分辨率转换过程中保持高细节和真实感，训练效率高，仅需 100 万张高质量、多尺寸图像即可实现，实验显示其性能达到行业领先水平。

Sapiens 是由 Meta 开发的一种新型人类视觉模型，旨在通过深度学习技术模拟人类视觉感知。它基于大量图像数据和高级算法，支持 1K 高分辨率推理，适合多种人类相关的视觉任务。该项目在二维姿态估计、身体部位分割、深度估计和表面法向量预测等任务上表现出色，尤其在野外数据上的泛化能力显著。Sapiens 通过预训练于超过 3 亿张野外人类图像，展示了卓越的性能，并通过简单微调适应各种任务。

Pixtral-Large-Instruct-2411 是 Mistral AI 发布的一款多模态大型模型，参数总量为 1240 亿（包括 1230 亿参数的解码器和 10 亿参数的视觉编码器），构建于 Mistral Large 2 之上。该模型能够同时处理文本和视觉信息，具有 128K 的上下文窗口，能够管理多达 30 张高分辨率图像或相当于 300 页的文本内容。它在多模态基准测试中表现优异，支持多种语言如中文、法文、英文等，广泛用于复杂场景的语义推理、多模态问答和自动化任务执行。

神采PromeAI是一款面向初学者和专业团队的AI图像生成工具，支持中文输入，适合多种商业场景如电商和建筑设计。它的特点是易用性和多功能性，拥有庞大的用户基础和行业认可。用户可以选择免费计划或付费计划，适合个人和团队使用。使用时需登录后选择功能，上传或描述后生成图像。

Ruoyi-AI 是一个基于 RuoYi-Plus 框架的开源 AI 开发平台，专注于 AI 能力的集成与落地。它支持多种 AI 模型（如 OpenAI、Stable Diffusion、GPT-4、DALL·E-3、MidJourney），并提供多模态交互和自动化内容生成。项目完全开源，支持私有化部署，适用于教育、电商、客服等场景。核心亮点包括多模型支持、全栈开发和高扩展性。