AI 画图的最前线：文生图模型迭代、图像编辑能力与创作工具生态的全部动态。
Hugging Face 发布 Workflow1111，用 Gradio Workflow 把 AUTOMATIC1111 的大部分功能重建为一张工作流画布，由 11 条媒体流水线和 73 个节点组成，覆盖文生图、高清修复、图生图、提示词矩阵、VLM 反推、检测生成 inpaint 掩码、ControlNet 风格标注器、背景移除、PNG Info 与图生视频。
推荐理由：Hugging Face 用 73 个节点复刻 A1111 全部功能，并给出与 ComfyUI 的路线对比，可看节点式工作流的新形态。
Hugging Face 在 Diffusers 中引入 Nunchaku Lite，可直接用 from_pretrained() 加载 Nunchaku 风格的 4-bit 量化 checkpoint，无需自定义 pipeline 或本地 CUDA 编译。
推荐理由：原文给出 Nunchaku Lite 在 Diffusers 中的加载方式与实测延迟、显存数据，可据此判断消费级 GPU 跑扩散模型的实际门槛。
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）和 Gemini Omni Flash（gemini-omni-flash-preview）两款模型。
推荐理由：两款新模型给出了延迟、单价和可用入口，读者可据此判断图像与视频生成链路的成本与选型。
Google Research 宣布在 Google Photos 的 Auto frame 功能中上线一种新方法，用机器学习理解场景的空间布局，再用生成式 AI 想象出新视角下的画面。
推荐理由：Google Photos 把 3D 场景估计与生成式补全结合，读者可了解拍照后调整视角的技术路径。
Google Research 与多家 NHS 机构合作的 AIMS 研究在 Nature Cancer 发表两项姊妹研究，评估 AI 乳腺癌检测系统。
推荐理由：两项 Nature Cancer 研究给出 AI 在 NHS 乳腺筛查中的独立读片与双读流程数据，可了解人机协作的实际收益与仲裁环节的失误。
Hugging Face 发布 Modular Diffusers，用可复用的块组合扩散流水线，作为现有 DiffusionPipeline 类的更灵活替代方案。每个块自带输入输出，可独立运行或增删替换，并支持自定义块发布到 Hub 供他人以 trust_remote_code=True 加载。该功能还与节点式可视化界面 Mellon 集成，可从块定义自动生成节点 UI。
推荐理由：Hugging Face 官方介绍 Modular Diffusers 的可组合块机制，读者可据此判断扩散流水线搭建方式的改动。
Photoroom 在 Hugging Face 博客发布 PRX 系列第三篇，用 32 张 H200、约 1500 美元预算在 24 小时内训练出一个文生图扩散模型。
推荐理由：Photoroom 公开了 24 小时训练文生图模型的完整配方与代码，读者可据此复现并调整各组件。
Hugging Face Diffusers 官方博客宣布支持 FLUX.2，提供 Flux2Pipeline 与 Flux2Transformer2DModel 的调用示例，文本编码器使用 Mistral3ForConditionalGeneration。
推荐理由：Diffusers 集成 FLUX.2 并给出可直接运行的代码示例，读者可据此了解该模型的调用方式与显存门槛。
Google 在 Gemini 应用中上线 AI 图片验证功能，用户上传图片并提问即可检查其中是否含有 SynthID 水印，从而判断图片是否由 Google AI 生成或编辑。
推荐理由：原文说明了 Gemini 应用内验证 AI 图片的具体操作方式，以及 SynthID 与 C2PA 后续扩展方向。
Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），一个基于 Gemini 3 Pro 的高保真图像生成与编辑模型，已在 Google AI Studio 和 Vertex AI 以付费预览形式通过 Gemini API 逐步开放。
推荐理由：官方给出 Gemini 3 Pro Image 的分辨率、文本渲染与搜索接地等能力细节，可据此判断图像生成与编辑的可用边界。
Hugging Face 发布教程，介绍如何用 Diffusers 和 PEFT 优化 Flux.1-Dev 的 LoRA 推理速度。方案组合 Flash Attention 3、torch.compile 和 FP8 量化，并通过 hotswap 机制避免切换 LoRA 时触发重新编译，在 H100 上相比基线取得 2.23 倍加速。
推荐理由：原文给出 Flux LoRA 推理的完整优化配方与实测数据，读者可据此在 H100 或 4090 上复现加速效果。
Hugging Face 发布教程，介绍用 QLoRA 和 diffusers 库在单张 GPU 上微调 FLUX.1-dev，峰值显存约 10GB 以内。在 RTX 4090 上，QLoRA 微调峰值显存约 9GB，而 BF16 LoRA 需 26GB，700 步训练约 41 分钟。
推荐理由：给出在单张消费级 GPU 上微调 FLUX.1-dev 的完整配置与显存对比，方法可直接复用。
Mistral 发布全新 le Chat AI 助手，同步上线 iOS 和 Android，并推出 Pro 与 Team 订阅层级，Enterprise 版进入私有预览。
推荐理由：官方一次性给出 le Chat 的移动端、Pro/Team 定价与 Flash Answers 等能力清单，可据此判断其与现有助手的差异。
Hugging Face 发布 SegMoE 框架，可从零创建混合专家（MoE）扩散模型，并已集成 diffusers。同时发布 SegMoE-4x2、SegMoE-2x1 和 SegMoE-SD4x2 三个模型，采用 Apache 2.0 许可，并提供 GitHub 仓库和 segmoe 包用于自建 MoE 模型。
推荐理由：原文给出从零构建 MoE 扩散模型的完整流程与配置示例，读者可据此判断能否把已有模型合并成新模型。
Hugging Face 官方博客给出教程，把 ComfyUI 工作流转成 Gradio 应用并部署到 Spaces 的 ZeroGPU 上免费运行。
推荐理由：完整给出从 ComfyUI 工作流导出 Python、包成 Gradio 应用并部署到 ZeroGPU 的步骤，可照着复现。
Hugging Face 发布 aMUSEd，这是对 Google MUSE 的开源复现，采用 Masked Image Model（MIM）而非主流潜在扩散方法，以研究预览形式在宽松许可下开放。
推荐理由：Hugging Face 开源复现 Google MUSE 的非扩散文生图模型，读者可了解 MIM 路线在推理步数与体积上的取舍。
Hugging Face 发布新的 diffusers 训练脚本，把 Pivotal Tuning 与 Prodigy 优化器结合，用于 SDXL 的 Dreambooth LoRA 微调。
推荐理由：汇总社区 SDXL Dreambooth LoRA 微调的 SOTA 实践，并给出可直接运行的 diffusers 训练脚本与参数。
Hugging Face 发布 Latent Consistency LoRA，通过训练少量 LoRA 适配层而非蒸馏整个模型，让 SDXL 和 Stable Diffusion 从原本 25 到 50 步降到 4 到 8 步生成图像。
推荐理由：原文给出 LCM LoRA 的推理代码、速度对比表和已发布权重，读者可据此判断少步生成的落地成本。
Hugging Face 在 A100 40GB 上实测了 SDXL 的多项推理优化，未优化时显存占用 28GB、延迟 72.2 秒，使用 fp16 后降至 21.7GB 和 14.8 秒。
推荐理由：Hugging Face 官方给出 SDXL 各项推理优化的实测数据，读者可据此按显存和延迟取舍配置。
Segmind 开源了压缩扩散模型 SD-Small 和 SD-Tiny 的权重与蒸馏训练代码，两者参数量分别比基础模型减少 35% 和 55%，同时保持接近的图像保真度。
推荐理由：Segmind 开源了 SD-Small 与 SD-Tiny 的蒸馏代码和权重，读者可了解压缩扩散模型在参数与推理速度上的取舍。