Google DeepMind 发布新一代图像生成与编辑模型 Nano Banana Pro（Gemini 3 Pro Image），基于 Gemini 3 Pro，强调更强的推理与世界知识、图像内多语言文字的准确渲染，以及最高 14 张图像融合、最多 5 人一致性保持。
推荐理由：Google DeepMind 官方介绍 Nano Banana Pro 的能力边界与全平台上线节奏，便于判断图像生成工作流的变化。
Hugging Face 让 Gradio 应用添加可见水印只需一条命令：图像和视频传入 watermark 参数，文本则在 gr.Chatbot 中设置 watermark，用户复制 AI 回复时自动附加署名。水印支持文件名，图像还支持开放图片和 numpy 数组，并可用 QR 水印承载更多信息、匹配画面风格。官方提供了图像/视频与聊天机器人两个示例 Space 供试用。
HF Mirror 发文介绍如何把 Claude 连接到 HF Mirror Spaces 来生成图像，并推荐专注自然真实感的 FLUX.1 Krea [dev] 和擅长文字渲染的 Qwen-Image。
Arm 推出 Neural Super Sampling（NSS）供图形与游戏开发者试用，这是一个在移动 GPU 的 Neural Accelerators（NX）上运行的实时时序超采样参数预测模型。
Hugging Face 博客演示了如何用 Gradio 的 MCP 集成在 Python 中搭建 AI 购物助手，只需在 launch() 中设置 mcp_server=True，Gradio 便会把 Python 函数自动转换为带名称、描述和输入 schema 的 MCP 工具，并支持实时进度通知与文件上传。
Hugging Face 博客给出用 Diffusers 和 PEFT 加速 Flux.1-Dev 上 LoRA 推理的优化方案，组合 Flash Attention 3、torch.compile 和 FP8 量化，在 H100 上相对基线提速 2.23 倍。
Hugging Face 博客介绍如何通过 Gradio MCP Servers 为 LLM 扩展能力。Gradio 从 5.28.0 版本起支持 MCP 协议，使 Hugging Face Spaces 上的数千个 AI 应用成为 LLM 可直接调用的工具。
Hugging Face 发布教程，演示用 diffusers 库以 QLoRA 在单卡上微调 FLUX.1-dev，峰值显存约 9GB，可学习 Alphonse Mucha 艺术风格。
推荐理由：以 FLUX.1-dev 为例给出 QLoRA、8-bit 优化器、梯度检查点等组合，把微调峰值显存压到约 9GB。
Hugging Face 博客详解 Diffusers 直接集成的多种量化后端，包括 bitsandbytes、GGUF、torchao、Quanto 和原生 FP8，并以 Flux-dev 演示。
ChatGPT 图像生成支持根据提示词、草图或上传图片，创建符合品牌调性的视觉素材和产品效果图。该能力面向品牌视觉与产品 mockup 制作场景。
Hugging Face Diffusers 团队试点 Remote VAE，将扩散模型的 VAE 解码交给远程 Inference Endpoints，缓解高分辨率图像和视频生成中解码器显存占用过高的问题，避免 offloading 的设备传输延迟和 tiling 的画质损失。
Google 发布 PaliGemma 2 Mix，这是基于 SigLIP 和 Gemma 2、在 OCR、长短图像描述等混合视觉语言任务上微调的指令视觉语言模型。模型提供 3B、10B、28B 三种规模，224、448、896 三种分辨率，可通过 HF Transformers 和 JAX 使用，并附有演示。
Hugging Face 推出首期 AI 艺术工具通讯《The AI tools for Art Newsletter》，回顾 2024 年创意 AI 的关键进展，并预告 2025 年新动向及将启动月度汇总。
Hugging Face 通过新增 TimmWrapper 将 timm 库的计算机视觉模型接入 transformers 生态，让任意 timm 模型可用 pipeline API 推理并兼容 Auto 类。
Hugging Face 的 Data is Better Together 社区发布 Apache 2.0 许可的文本到图像偏好数据集，覆盖常见图像生成类别并混合不同模型家族与提示词复杂度。数据集基于 Flux 和 Stable Diffusion 模型生成图像，配套提供 flux-dev-lora-finetune。
Stable Diffusion 3.5 Large 已在 Hugging Face Hub 发布并接入 Diffusers，包含 8B 模型和 8B timestep-distilled 少步推理版本，蒸馏版通常 4-8 步即可出图。
推荐理由：原文给出 SD3.5 在 Diffusers 中的量化推理与 LoRA 微调完整调用路径，可直接对照迁移。
Hugging Face 展示了如何借助 Diffusers 中的 Quanto 量化工具降低 Transformer 扩散管线显存占用：SD3 以 FP16 推理需 18.765 GB 显存，将文本编码器与扩散骨干量化到 FP8 后，批次 1 下显存从 12.086 GB 降至 5.363 GB。Quanto 是构建在 PyTorch 上的量化工具包，属于 HF Mirror Optimum。
Stability AI 发布 Stable Diffusion 3 Medium，参数量 2B，现已在 Hugging Face Hub 上线并可配合 🧨 Diffusers 使用。
推荐理由：SD3 Medium 在 Diffusers 中集成的完整说明，含内存优化与 LoRA 微调脚本，适合评估其部署可行性。
Artificial Analysis 推出文生图排行榜与 Image Arena，基于超 45,000 条人类图像偏好投票、以类似 Chatbot Arena 的 ELO 回归为各模型打分，每个模型生成超 700 张覆盖人像、动物、自然、艺术等类别的图像。
Hugging Face 发布 AI 水印入门指南，介绍在生成时嵌入和生成后添加两类水印方法，前者需访问模型但更稳健，后者可用于闭源模型。文中还介绍了 Glaze、Photoguard、Nightshade、Fawkes 等图像防护与投毒工具，以及按 C2PA 标准嵌入元数据的 Truepic。
Segmind 发布 SegMoE 框架，可从零构建混合专家（MoE）扩散模型，并已集成 diffusers，同时开源 SegMoE-4x2、SegMoE-2x1 和 SegMoE-SD4x2 三个模型及建模代码（Apache 2.0）。
推荐理由：原文给出了从配置到生产的完整流程和显存占用数据，读者可以据此判断是否用 MoE 方式拼装扩散模型。
Hugging Face 博客介绍用 ONNX Runtime 的 CUDA 与 TensorRT 执行提供程序加速 SD Turbo 和 SDXL Turbo 在 NVIDIA GPU 上的推理，在全部测试的（批量大小、步数）组合中吞吐量均超过 PyTorch，SDXL Turbo 提升最高达 229%，SD Turbo 达 120%。
Hugging Face 博客发布教程，介绍如何借助 ComfyUI-to-Python-Extension 将 ComfyUI 工作流导出为纯 Python 脚本，改写为 Gradio 应用后部署到 HF Mirror Spaces 的 ZeroGPU 上免费运行。
推荐理由：教程给出把 ComfyUI 工作流转成 Gradio 应用并部署到 ZeroGPU 的完整步骤，包含模型映射与预加载等工程细节，可复用性强。
Hugging Face 发布 aMUSEd，一个非扩散的文生图模型，是 Google MUSE 的开源复现版，采用 Masked Image Model 方法，推理步数更少，模型约 800M 参数。它已集成进 diffusers，发布了研究预览版并采用 OpenRAIL 许可，官方称生成质量并非最佳，同时提供训练和微调代码。
Hugging Face 发布 SDXL LoRA 高级训练脚本，把 Pivotal Tuning 与 Prodigy 优化器等社区 SOTA 做法整合进 diffusers，并提供 Colab 与带 UI 的训练 Space。
推荐理由：整理 SDXL Dreambooth LoRA 微调的社区最佳实践，包括 Pivotal Tuning、Prodigy 优化器与数据集构建等可复用方法。
Hugging Face 在 Inference API 中实现 LoRA 动态加载，按用户请求切换 Stable Diffusion LoRA 适配器并保持基础模型常驻，把 LoRA 预热时间从 25s 降至 3s，用户响应时间从 35s 降至 13s。
Hugging Face 发布 LCM LoRA，把 SDXL 的推理步数从 25 到 50 步降到 4 到 8 步，方法是不蒸馏整个模型，只训练少量 LoRA 适配器，再配合 LCMScheduler 使用。
推荐理由：原文给出了 LCM LoRA 的原理、代码和跨硬件基准，读者可据此评估在现有 SDXL 流程中提速的可行性。
Hugging Face 在 A100（40GB）上测试了 Stable Diffusion XL 的推理优化：原始全精度管线占用 28GB 显存、耗时 72.2 秒。改用 fp16 后降至 21.7GB、14.8 秒，叠加 PyTorch 2.0 默认启用的 SDPA 进一步降到 11.4 秒，再用 torch.compile 包装 UNet 可缩短至 10.2 秒。
Hugging Face Diffusers 现已支持在 Cloud TPU v5e 上通过 JAX 运行 Stable Diffusion XL 推理，借助 XLA 与 JIT 编译实现高性能、低成本部署。官方 demo 跑在多个 TPU v5e-4 实例上，约 4 秒并行输出四张 1024×1024 图像，实际生成时间约 2.3s；TPU v5e 成本不到 TPU v4 的一半。
Hugging Face 在 TRL 库中新增 DDPOTrainer，让开发者能用 DDPO 算法配合强化学习微调 Stable Diffusion 等扩散模型，使其输出更符合人类审美偏好。
Hugging Face 博客发布《Introduction to 3D Gaussian Splatting》，介绍这一出自论文 3D Gaussian Splatting for Real-Time Radiance Field Rendering 的栅格化技术，可从少量图像样本学习并实时渲染出照片级场景。
Würstchen 是 Hugging Face 推出的文本条件扩散模型，在高度压缩的潜空间中工作，实现 42x 空间压缩，远高于常见的 4x-8x。
推荐理由：原文给出 42x 空间压缩与训练算力对比，读者可据此判断低成本图像生成模型的效率边界。
Hugging Face Diffusers 团队与 T2I-Adapter 作者合作，在 diffusers 中为 Stable Diffusion XL（SDXL）加入 T2I-Adapter 支持，并发布 sketch、canny、lineart、depth、openpose 等多种条件的 checkpoint。
推荐理由：Diffusers 团队与 T2I-Adapter 作者合作把 SDXL 适配器接入 diffusers，并给出从零训练的配置与参数对比，便于读者评估可控生成的开销与接入方式。
Hugging Face 博客演示了如何用开源模型服务框架 BentoML 部署 DeepFloyd IF 文生图模型：将各 Stage 模型下载至 BentoML Model Store，用 service.py 定义 Service 与 Runners，打包成 Bento 后部署。
这是一份把生成式 AI 接入 PS1 风格 3D 工作流的实操指南，用 OpenAI 开源扩散模型 Shap-E 从文本生成模型，再在 Blender 3.1+ 中用 Decimate 修改器降面、用 Dream Textures 插件生成无缝贴图并完成 UV 展开，最后导出 FBX 导入 Unity。
Segmind 开源了压缩扩散模型 SD-Small 和 SD-Tiny 的权重与知识蒸馏训练代码，两者参数量分别比基础模型减少 35% 和 55%，图像保真度接近原模型。模型以 Realistic-Vision 4.0 为教师模型，在 LAION Art Aesthetic 数据集上训练，推理速度最高快 100%。权重和代码均已发布在 Hugging Face。
Hugging Face 与 Apple 合作将 Stable Diffusion XL 基础模型移植到 Core ML，可在运行 macOS 14 公测版的 Apple Silicon Mac 上本地出图，目前仅支持原始注意力实现，refiner 阶段尚未移植。
推荐理由：原文给出了 SDXL 在 Apple Silicon 上的实测延迟与混合位量化配方，可据此判断本地出图的速度与体积取舍。
Hugging Face 的 Diffusers 库迎来一周年，已从文生图工具箱扩展出视频、3D 与图像编辑能力。
Hugging Face 展示了在 Intel Sapphire Rapids CPU 集群上微调 Stable Diffusion 模型的方法，使用 textual inversion 技术仅需 5 张示例图片即可完成训练。
文本到图像（TTI）生成模型正大量上传至 Hugging Face Hub，其偏见来源多样。Hugging Face 梳理了训练数据（如 LAION-5B、MS-COCO、VQA v2.0）、预训练数据过滤、推理（CLIP 的年龄、性别、种族偏见）、模型潜在空间及事后过滤等偏见来源，并列举了 Stable Bias 等检测工具与红队评估方法。