标题：字节提出视觉生成新方法：让AI像人类一样边画边改 正文： 字节商业化技术团队近期推出了一种全新的视觉生成模型——生成精炼网络（GRN，Generative Refinement Networks）。与主流的扩散模型和自回归模型不同，GRN开创了视觉生成的“第三条路”，能够像人类绘画一样，边...

标题：CVPR 2026 生成式 AI 观察：视觉模型重构底层设定 正文： 近年来，视觉生成与理解领域的技术发展多围绕既有框架优化性能，但今年 CVPR 的一批代表性工作显示，研究重点正从“增量修补”转向对底层假设的重新审视。扩散模型的引导机制、视频生成是否依赖去噪、生成目标是否合理等基础问题被...

标题：港大赵恒爽团队论文：让扩散模型既拿高分又不「作弊」丨CVPR 2026 扩散模型是当前图像生成领域的核心技术，能够生成高度逼真的画面。然而，真实场景中，人们不仅希望模型生成逼真图像，还要求其严格按照提示完成任务。例如，生成包含指定文字的图像时，模型可能通过放大文字或简化场景来“取巧”，这种...

2026年2月，硅谷初创公司Inception Labs发布扩散模型Mercury 2，成为全球生成速度最快的深度学习模型。其在英伟达GPU上实现每秒1009个tokens的生成速度，比GPT-5 Mini和Claude-4.5 Haiku快5倍。Mercury 2采用并行优化机制，摒弃传统自回归逐字生成方式，通过整体编辑提升效率，延迟低至1.7秒，且性能优异，在GPQA、LCB、AIME等基准测试中表现突出。此外，其价格具有竞争力，输入和输出分别为每百万token 0.25美元和0.75美元。背后团队自2019年起研究扩散模型，核心成员包括斯坦福教授Stefano Ermon等。Mercury 2获英伟达、微软等机构投资支持，目前暂无开源计划，但API兼容OpenAI标准，可在线体验。

2026年2月，蚂蚁集团发布LLaDA2.1扩散语言模型，实现892 tokens/秒的峰值速度，显著超越主流自回归模型。该模型采用双模式解码策略：极速模式适合高吞吐场景，质量模式保障高精度任务。通过可纠错编辑机制，模型先并行生成草稿再全局修正，解决了扩散模型的逻辑一致性问题。此外，团队首次在100B参数规模上成功应用强化学习，大幅提升指令遵循等任务表现。开源版本包括100B和16B两种规模，后者峰值速度超1500 tokens/秒，为轻量化部署提供支持。技术报告及代码已公开。

正文：2026年1月，何恺明团队联合MIT本科生提出全新图像生成方法Pixel Mean Flow（pMF），颠覆传统扩散模型。该方法抛弃多步采样和潜空间编码，直接在像素空间一步生成高质量图像，在ImageNet 256×256分辨率上达到2.22 FID，512×512分辨率上为2.48 FID，创下单步无潜空间模型最佳成绩。pMF核心设计通过网络直接输出像素级去噪图像，并以速度场计算损失，基于流形假设简化复杂任务。实验表明，其计算效率远超StyleGAN-XL等方法，且避免了VAE解码器的额外开销。团队希望推动端到端生成建模研究。

正文：2025年12月，ViT核心作者、Meta超级智能团队成员Lucas Beyer盛赞中国开源模型Qwen-Image-Layered，称其图像生成能力远超Nano Banana和ChatGPT。该模型基于扩散技术，可将图片分解为多个含透明度信息的RGBA图层，实现精细化编辑，如局部修改、背景替换、主体更换等。相比传统方法，Qwen-Image-Layered避免了递归错误，擅长处理复杂遮挡、半透明及文字场景。模型支持可变层数拆解，满足多样化需求，并已在GitHub开源。网友评价其效果类似开源版Photoshop，令人惊叹。

在2026智能未来大会上，蚂蚁集团资深技术专家赵俊博分享了扩散语言模型（dLLM）的最新进展。他指出，与主流自回归模型不同，扩散模型可直接修改和控制token，无需重新生成整段内容，从而提升生成速度并降低计算成本。其团队开源了千亿参数规模的LLaDA 2.0模型，这是扩散语言模型领域的关键里程碑。赵俊博还提到，该领域仍处于早期阶段，但发展迅速，已吸引谷歌、字节等巨头布局。此外，扩散模型在代码生成和文学创作任务中表现出独特优势，推理引擎dInfer也已发布。团队将继续探索dLLM的Scaling Law，推动训推生态发展。

正文：2025年11月，何恺明团队发布新论文，提出扩散模型可能被用错的观点。研究指出，当前主流扩散模型在训练时多预测噪声或速度场，而非直接生成干净图像，这与模型本质相悖。基于流形假设，团队认为神经网络更适合学习将噪声投影回低维流形的干净数据，而非拟合高维噪声。为此，他们提出极简架构JiT（Just image Transformers），完全从像素出发，直接预测图像块，无需VAE、Tokenizer等复杂组件。实验表明，JiT在高维空间下表现稳健，在ImageNet 256×256和512×512生成任务中分别取得1.82和1.78的SOTA级FID分数。论文一作为黎天鸿，清华姚班本科毕业，现为何恺明组博士后。

2025年10月，清华大学与快手可灵团队联合发布了一种名为SVG的无VAE潜在扩散模型。该模型通过语义+细节双分支和分布对齐技术，在训练效率上提升62倍，生成速度提高35倍，解决了传统VAE因语义纠缠导致的生成效率低、多任务适配性差等问题。SVG基于DINOv3构建语义特征，并引入轻量级残差编码器补充高频细节，实验显示其在ImageNet数据集上的生成质量（FID值1.92）接近顶级模型水平，同时具备图像分类、语义分割等多任务通用能力。团队由清华博士后郑文钊领衔，相关论文已发布于arXiv，代码开源在GitHub。