Google Research 发布 Diffusion Controller 框架，把扩散模型的去噪过程重新定义为连续控制问题，主模型完全冻结，仅用轻量"转向阻尼"网络注入微调修正。该框架在 Stable Diffusion v1.4 上用 HPS-v2 评测，其完全解锁版本对基线模型取得 90% 胜率，并支持 PPO 策略梯度与奖励加权损失两种微调方式，可在不接触底层代码的情况下定制闭源模型。
Simon Willison 用 GPT-6 Astra 做出了实验性工具 Photo Scrubber，可自动识别人脸并打码，同时清除照片元数据。该工具基于 Google 的 MediaPipe C++ 库，通过 @mediapipe/tasks-vision 编译为 WebAssembly，并使用 BlazeFace 人脸检测模型，全部在本地运行。
在 Amazon SageMaker AI 上，用同一个 AWS vLLM-Omni DLC 镜像部署两个端点：实时端点跑 FLUX.2-klein-4B 图像生成，异步端点跑 Wan2.1-VACE-1.3B 图生视频。
Hugging Face 发布 Workflow1111，用 Gradio Workflow 把 AUTOMATIC1111 stable-diffusion-webui 的大部分功能重建为单张工作流画布。
推荐理由：用 73 个节点复刻 A1111 的十一类图像与视频管线，可直观看到节点式工作流的组织方式与复用边界。
OpenAI 发布 ChatGPT Images 2.5，可将想法、草图与参考照片转化为更个性化、更精细的图像，更贴近用户原本的构想。
Hugging Face 在 Diffusers 中引入 Nunchaku Lite，可直接用 from_pretrained() 加载 Nunchaku 风格的 SVDQuant 量化检查点，无需自定义 pipeline 或本地 CUDA 编译。
推荐理由：原文给出 Nunchaku Lite 在 Diffusers 中的原生加载方式和显存与延迟对比，读者可据此判断是否替换现有量化后端。
Google Research 在 ICLR 2026 论文《On the Interpolation Effect of Score Smoothing in Diffusion Models》中解释了扩散模型的创造力从何而来：神经网络训练中的正则化会让学到的得分函数变得平滑，即"得分平滑"，使去噪过程在训练数据点之间产生插值，从而生成新样本。
Google DeepMind 发布 Nano Banana 2 Lite（gemini-3.1-flash-lite-image）与 Gemini Omni Flash（gemini-omni-flash-preview）。
推荐理由：同属 Nano Banana 家族的三档模型首次给出速度、成本与质量的分工定位，可作为选型参照。
Google Photos 的 Auto frame 新增一项自动重构图能力，将照片理解为 3D 场景并自动调整相机位置与焦距，从而改变视角。该方法分两步：先用内部 3D 点图估计模型还原人体与人脸并推算原始焦距，再用生成式潜扩散模型补全换视角后露出的空白区域。该功能现已上线，只处理含人物的合格照片，重构图版本作为 Auto frame 候选中的第二个方案，一步即可应用。
推荐理由：Google Photos 把拍照后的视角问题交给 3D 估计加扩散补全处理，读者可了解这套两阶段方法如何改变自动修图流程。
伯克利 AI Research 提出一种直接评估和优化成像系统信息量的框架，仅用含噪测量和噪声模型估计互信息，可预测解码器性能。在 NeurIPS 2025 论文中，该方法在彩色摄影、射电天文、无透镜成像和显微成像四个领域验证了信息估计与下游任务表现的一致性，优化后的设计达到 SOTA 端到端方法水平，同时占用更少内存和算力、无需任务专用解码器。
Mistral 为 Le Chat 推出多项新功能，包括预览版 Deep Research 模式、由新语音模型 Voxtral 驱动的 Voice 模式、由推理模型 Magistral 支持的 Think 模式、用于整理对话的 Projects，以及与 Black Forest Labs 合作的高级图像编辑。
推荐理由：Mistral 一口气给 Le Chat 补上研究、语音、推理与图像编辑，读者可据此判断其产品线扩张方向。