GPT Image 2.5:把「多轮改图不走样」写成 API 契约的图像旗舰
OpenAI 2026-09-08 发布的图像生成与编辑模型,分 Flare(默认档:画质高于 GPT Image 2、延迟低 50%)与 Sunburst(精度档:用更长生成时间换复杂细节保真)两个变体,共 4 个端点(各一个文生图 + 一个编辑),API 面与价格完全一致。能力面:长边 3840px、6 档质量(auto/low/medium/high/xhigh/max,比上代多两档天花板)、单次最多 16 张参考图编辑、可选 mask、PNG/WebP 真 alpha 透明输出。发布重点是「多次编辑之间细节保持一致」与「基于批注只改一处」,即多轮改图不漂移。第三方水位:Artificial Analysis 竞技场(2026-09-22)上,sunburst 同时是文生图第 1(Elo 1423)与图像编辑第 1(1526),flare 双榜第 2(1401/1482),是唯一双榜登顶的系列;但两行都还标 preliminary、票数(8791/8014)远少于被超越的 gpt-image-2(82862)。闭源、只走 ChatGPT 与 API,不能自托管或微调。未做基准复现,置信度记 C(厂商宣称)。
1423/1526Arena 文生图 / 图像编辑 Elo 双榜第 1厂商宣称 · 2026-09
GPT Image 2.5:把「多轮改图不走样」写成 API 契约的图像旗舰Qwen-Image-2.1:一套开放权重同时做生成、局部编辑与透明输出
阿里 Qwen 的图像生成与编辑一档,把文生图、局部编辑(圈选/涂抹/独立 mask)、最多 10 张参考图融合与原生 RGBA 透明输出收进同一个 7B 视觉生成组件(32 层 Single-Stream DiT),并用混合粒度注意力与前缀 KV 缓存复用压低批量出图的边际成本;原生 2048px、7 档宽高比。它是当前可下载权重里图像竞技场排位最靠前的一档(文生图第 17 / Elo 1228,图像编辑第 16 / 1367),但许可是 Qwen Research License 而非 Apache-2.0,商用前必须单独读条款,diffusers 还需从 git 主干安装。未做基准复现,置信度记 C(厂商宣称)。
7B视觉生成组件参数厂商宣称 · 2026-09
产品阿里 Qwen (Alibaba)官网Repo Qwen-Image-2.1:一套开放权重同时做生成、局部编辑与透明输出FLUX:把图像生成从「出图」推进到「可控编辑 + 开放权重」的那条主线
Black Forest Labs 的 FLUX 家族用整流流(rectified flow)Transformer 做图像生成,并放出 Apache-2.0 的 dev 档权重,是开源侧最重要的图像基线;Kontext 一档把「按指令改这张图的局部而不动其余」做成了可用能力。采集库里另有 FLUX 3 的发布记录,厂商把它定位成统一图像/视频/音频的世界模型,这一主张记为待核验。
Apache-2.0开放权重档位(dev)厂商宣称 · 2024-08
产品Black Forest Labs官网Repo FLUX:把图像生成从「出图」推进到「可控编辑 + 开放权重」的那条主线Hunyuan3D 2.1:权重开放的 3D 生成基线,自托管路线的默认起点
腾讯把形状与纹理两阶段都放出了权重,并给出 PBR 材质输出,这让「3D 生成」第一次有了一个可以在自己机器上跑、可以微调、可以塞进内部管线的参照实现。它的价值不在跑分领先,而在可复现:任何关于 3D 生成能力的判断,都可以拿它当基线去比。
Hunyuan3D 2.1:权重开放的 3D 生成基线,自托管路线的默认起点Nano Banana Pro:把「聊天式改图」做成产品形态的图像编辑模型
Gemini 的原生图像生成与编辑一档,社区叫它 Nano Banana。它的关键不是画质峰值,而是交互形态:多轮对话里持续改同一张图、能读图里的文字再改、能把多张参考图合成一张。这让图像生成第一次像「和设计师对话」而不是「抽卡」。它的排名多来自偏好竞技场,那是投票不是测量,记为待复现。
产品Google DeepMind (Gemini image)官网 Nano Banana Pro:把「聊天式改图」做成产品形态的图像编辑模型Figma Make:以设计系统为上下文入口的 prompt-to-app,回路终点是托管 URL 而非你的仓库
Figma Make 是 prompt-to-app 这条赛道里唯一以「你已在维护的设计文件」为第一上下文的:挂载 team libraries、组件、variables 与 styles,打包成 Make kit 供团队复用;编辑用 edit tool 点选元素、draw tool 圈画区域、annotations 逐元素下指令,把「我说的是哪个按钮」从文字描述变成视觉指点。但回路终点是 Figma 托管的 URL(AWS + Cloudflare),不是你的 GitHub 仓库——有 code editor、能导出代码,却没有 PR→CI 这条路。成本按 credits 计:Professional Full seat 3,000/月、中等 app 约 75+/次、plan mode 另计一次,额度是「几次对话」而非「几个 app」。发布即公开且无法限制访问,预览内拿不到摄像头/麦克风,第三方素材权利归你。
设计系统 + Make kit上下文入口厂商宣称 · 2026-09
Figma Make:以设计系统为上下文入口的 prompt-to-app,回路终点是托管 URL 而非你的仓库TRELLIS:用稀疏结构 latent 统一 3D 资产表示的研究基线
微软研究院的 TRELLIS 提出一种稀疏结构化 latent(SLAT),让同一个生成结果可以解码成辐射场、3D 高斯或网格三种表示,并把「先生成稀疏体素结构、再在活跃体素上生成特征」拆成两段。它是理解当代 3D 生成技术路线的关键论文级资产,不是拿来交付产品的工具。
TRELLIS:用稀疏结构 latent 统一 3D 资产表示的研究基线
