商汤SenseNova U1.5-Lite-Preview开源
商汤发布SenseNova U1.5-Lite-Preview，轻量升级版在图像生成与编辑能力上大幅提升，支持4K图像生成，超越U1并比肩商用闭源模型。
相关文档
拆解 Qwen-Image 官方「智能改写」：我把生图和改图经验总结成了一个 Skill
作者在测试 Qwen-Image 2.1 时发现，生图和改图效果不佳的主要原因是创作意图未被准确传递给模型，如负面文字被印进海报、改姿势只换了衣服等。作者将经验整理成 qwen-image-gen Skill 并提交开源：区分文生图、局部编辑和参考人物创作；将人物动作、接触关系、镜头和画面文字写成模型可执行的描述；落实比例决策并检查返回图片真实像素；将质量反馈带回下一版。四组对照实验显示三组改善、一组失败，证明提示词改写有价值但非几何纠错器。
万字长文：通宵评测Qwen-Image-2.1
作者在48GB的4090上对Qwen-Image-2.1进行了13组实验、196张图的深度评测。模型视觉生成为7B DiT架构，配Qwen3-VL编码指令与参考图，支持原生RGBA透明。评测发现其强项为中文排版、原生透明通道和多图身份保持，弱项是「替换」语义常退化为「添加」、编辑具有非局部性、缺乏时间维度建模。文章详细测试了文字渲染阈值、透明度真实性、指令遵循、编辑精度、多图参考及性能表现，并给出KV cache与显存的权衡策略。最后作者通过360°转台动画实验，揭示了条件图下seed敏感性等反直觉发现，定位其为关键帧生成器而非视频模型。
测试了500多种风格，终于做出一个能帮个人和企业打造专属IP形象的Skill
作者DAAI分享了开发da-brand-ip Skill的过程与成果。为了解决内容创作中人物形象不一致、缺乏辨识度的问题，作者测试了500多种视觉风格，最终筛选出124种收录进风格库，涵盖扁平插画、复古线稿、毛绒玩偶等多种方向。该Skill面向个人和企业，可基于照片或品牌信息生成主形象设计卡、三视图、动作表情总览三张基础资产图，并支持将IP形象延展到文章配图、海报、宣传图等实际场景。项目已开源至GitHub，后续将持续更新风格与应用案例。
实测商汤 SenseNova U1 Pro 新模型，我的 8K 生图工作流要换新了
作者实测商汤新发布的 SenseNova U1 Pro 图片生成模型，该模型在 SuperCLUE-Image 中文文生图榜单排名第一。作者从五个维度进行测试：审美与中文版式、多文字运营物料、资料检索与高密度信息、局部修图、多图融合。测试结果显示，该模型在海报设计、菜单与导览图、科普信息图、全诗《琵琶行》等复杂任务中文字稳定性出色，局部编辑精准不破坏其他细节，多参考图融合能力强，并能从刀版图生成可交付的包装渲染图，整体表现超过 GPT Image 2.5。作者认为其达到可交付水平，决定替换到自己的 8K 生图工作流中。
构建实时语音 AI Agent 的四种模式：看、说、想、写代码
本文介绍使用 Gemini 3.8 Live 和 Google Agent Development Kit (ADK) 构建实时保险理赔语音代理的四种核心模式：1）工具标记为 NON_BLOCKING，让代理在执行代码时保持对话流畅，重要信息可打断；2）通过独立记录所见、来电者所述及验证结果，并用第二个模型复核照片证据，避免盲从口头描述；3）一个模型负责通话，后台由七个步骤的 SequentialAgent 团队异步整理理赔文书；4）模型负责理解对话，Python 负责执行金额、日期、安全等硬性规则。文章包含完整开源代码和本地运行指南。
Qwen 发布会观察：从模型训练到芯片协同的完整研发体系正在形成
作者总结了 Qwen 发布会的重点：除了新模型外，更值得关注的是 Qwen 形成了从模型训练、推理优化到芯片协同的完整研发体系。核心亮点是 RSI 递归自我进化，Qwen3.8-Max 在少人工干预下连续运行一个多月完成 33 轮迭代，包括自主优化 SGLang 提升 96% 吞吐、芯片设计中减少 42% 物理实现面积。Qwen3.8-Omni-Flash 统一多模态理解框架支持 1M 上下文，价格大幅下降约九成。Qwen4 已开始训练，未来参数量将扩展到 5 万亿至 10 万亿。开源生态方面，累计下载超 30 亿次，衍生模型超 30 万个。
GPT Image 2.5 使用手册：模型、参数、提示词全整理
本文整理了 OpenAI 发布的 GPT Image 2.5 图像模型的使用指南。新模型在保留参考照片中人物与物体特征、局部修改集中性、多轮编辑稳定性方面显著提升，生成延迟最高降低约 50%。文章介绍了 ChatGPT 中新增的草图、模板、图片批注功能，以及 API 中的 Flare 和 Sunburst 两个模型定位差异。核心内容是官方提示词指南的 8 条基本建议，并配以 21 段官方示例，涵盖照片生成、信息图、广告、标志设计、界面预览、图片编辑、透明背景提取、草图转化、物体移除及多轮修改与角色延续等常见任务，可作为实用参考手册。
万字长文：好图不是抽出来的，一文讲透如何把大神的作图工具改成你自己的
作者分享了自己三个月迭代七个版本的 AI 作图 skill（wtt-nine-comic-imagegen）的完整拆解。核心观点是：拥有自己的作图 skill，起点不是从零写，而是拿大神的骨架、喂自己的翻车。文章从 skill 的来历讲起，分析其分层结构（触发词交付层、骨架变量池工程层、铁律与负面清单经验层），指出最值钱的是「不许什么」的负面约束。通过字体词失灵等实测案例，总结出品味翻译的三种形态：翻译成数字、动作和禁止。还提出锚点与变量分离、共享机制抽取等结构决策，以及比喻成败目录这一沉淀品味的方法，给出了今晚就能开工的实践路径。
史上最全共万字67图测试GPT Image 2.5：AI生图能欺骗一切
作者对GPT Image 2.5图像模型进行了万字67图的全面测评，从指令遵循、文字准确性、设计质量、编辑精度、主体一致性、多轮稳定性、透明背景、尺寸能力等11个维度展开测试。测试涵盖中文App UI设计、信息图文字准确度、多参考图合成、五轮连续海报编辑、精确局部修改、模板复用等场景。结果显示模型在中文短文案、结构化设计、多轮局部修改方面表现优秀，但透明背景功能存在虚假输出（无Alpha通道）、局部编辑仍有全图轻微变化、负面约束遵守率仅约50%。文章最后总结了六条实用的提示词写作建议。
GPT-Image 2.5 玩法全公开：从个人表情包到电商动态广告（附提示词教程）
作者基于 OpenAI 最新发布的 GPT-Image 2.5 模型，实测整理了从个人娱乐到电商应用的多种玩法，并提供完整可复制的提示词教程。个人玩法包括：将上传图片转为弹跳动画 GIF、生成九宫格表情包、制作六帧连续动作表情 GIF 等。电商玩法包括：商品慢扫光动态广告制作（采用单张商品底图加 Python 扫光方案，解决瓶身、Logo、文字抖动问题），以及利用定稿海报模板进行商品换款的精确编辑。文章详细说明了多轮编辑、模板复用、帧间一致性等新版本能力，并给出大量经过验证的中英文提示词模板，帮助普通用户快速上手图像生成与动态内容创作。
DeepSeek-V4.1-Flash 发布：更聪明、更快速、更高效
DeepSeek 发布新架构家族中最小的模型 V4.1-Flash，具备原生视觉理解能力。该模型采用非对称因果编码器-解码器架构，552B 参数 MoE，仅 8B 激活参数用于输入、16B 用于输出，通过新预训练方法和大规模 RL 后训练，性能超越旗舰模型 V4-Pro。KV 缓存仅需前代 1/4 的 HBM 和 1/8 的 SSD 存储，大幅降低 Agent 成本。模型已上线 DeepSeek API，支持多模态，API 价格下调，非高峰时段费率为峰值的 50%。官方将与开源社区合作推进推理支持，模型已在 HuggingFace 开放。
OpenAI 官方 GPT-Image 2.5 提示词指南与示例
本文译写自 OpenAI Cookbook 的开源示例，整理了 GPT-Image 图像生成模型的提示词基本写法与 24 个实用示例。文章首先介绍提示词的组织顺序（场景、主体、关键细节、限制条件），并给出七条核心原则：写出可见细节、明确构图、交代人物姿势动作、逐字列出画面文字、改图时说明保留项、为参考图分配用途、一次修改一个问题。随后通过人物照片、信息图、广告、标志设计、四格漫画、应用界面、教学配图、演示页等场景，以及换衣、合成、透明背景提取、草图转写实、物体移除等编辑示例，展示了完整的提示词与 API 参数设置。
