三花快讯

据推友消息，曾经的 AI 绘画领域的领头人 Midjourney 即将在下周发布 V7 版本。目前官方尚未透露具体更新细节。

不过说实话，如果没有什么非常逆天的能力更新，那么估计会和 Ideogram 3.0 一样淹没在昨天 4o 的各种吉卜力画风的浪潮中。

OpenAI 在 ChatGPT 中发布了更新的 GPT-4o，改进了提示词遵循、编程能力和创造力，减少了 emoji 输出，现在付费用户可以使用了，免费用户将在未来几周内获得使用权限。

此外，OpenAI Agents SDK 现在也正式支持 MCP 协议了，这下MCP真的要起飞了。

zenctrl_tools 是一个多功能图像处理 Agent，致力于自动化整个个性化视觉内容创作流程。目前项目正在积极开发中，部分模型权重已经开放，代码即将开源。

开发团队昨日发布了首个官方演示，并表示将逐步开源以下核心功能：

1. 控制能力：

• 预处理：背景移除、抠图、重塑、分割等
• 控制模型：支持形状(Canny/HED/涂鸦/深度等)、姿态、蒙版、相机视角
• 后处理：图像增强、色彩校正、混合
• 编辑功能：修复(移除/蒙版混合/替换)、外扩、运动变换、重新照明

2. 任务处理：

• 背景生成
• 受控背景生成
• 上下文连贯生成
• 对象放置
• 视频生成
• 多对象合并/混合

3. 应用场景：

• 产品摄影
• 时尚配饰虚拟适配
• 虚拟试穿
• 人物图像处理

可以关注我为你持续跟进项目进展~

阿里通义团队发布了 Qwen 2.5-Omni-7B 模型，OpenAI 高级语音模式的开源平替。

这个模型能够无缝处理文本、图像、音频和视频等多种输入形式。

不用客户端，佬们可以在 qwen.ai 上直接语音或视频聊天。该模型同样基于 Apache 2.0 许可开源，完整细节可以看官方博客

AI 图像生成平台 Ideogram 正式发布了 3.0 版本模型，在真实感、创意表现和图像一致性方面都有提升。

新版本现已在其官网开放使用，所用用户都可以使用，每次消耗 4 个积分。

不过目前官方尚未公布 API 接口和具体定价方案，根据我的经验，这种级别的模型服务估计不会太便宜。感兴趣的佬可以查看官方推文中的详细介绍和示例。

OpenAI 推出了 GPT-4o 的图像生成功能，它取代了此前使用的DALL-E 3模型，利用GPT-4o的原生多模态能力，能够支持渲染文本，支持从写实风格到艺术插图的多种风格，能处理复杂的用户指令，并保持一致性，还能通过多轮对话逐步调整和完善图像。

目前，该功能已集成到 ChatGPT 中，所有人都可以在对话中输入生图请求即可使用，API 将在未来几周内提供。当然这玩意不是万能的，偶尔会出现幻觉（hallucination）、数学图表生成不够准确，以及多语言文本支持有限。

更多细节和演示可以看官方介绍。

DeepSeek 前天低调发布了 V3-0324 模型更新，昨天终于发布了官方公告。

主要更新内容包括：

1. 借鉴 DeepSeek-R1 模型大幅提升推理能力
2. 在前端开发任务（如 HTML 等代码生成）上表现更出色，代码可用性和设计美观度都有提升。（前端佬们又要失业了
3. 中文写作基于 R1 的写作水平进一步优化，特别提升了中长篇内容质量
4. 中文搜索能力显著优化

此外，在工具调用、角色扮演、问答闲聊等方面也有明显的能力提升。

该模型目前在 Artificial Analysis 排行榜中成为得分最高的非推理模型 - 这也是开源非推理模型的首次领先，是开源模型的里程碑时刻啊！

谷歌正式推出 Gemini 2.5 Pro 实验版（gemini-2.5-pro-exp-03-25），这是一款推理模型，在 Chatbot Arena 评测中荣登榜首。

它支持高达 100 万 token 的上下文窗口，能够处理和理解多模态内容——包括文本、音频、图像、视频甚至整个代码库。

佬们可以在 ai.dev 上免费试用（官方博客有完整更新细节），不过免费版本注意速率限制：每分钟 2 次请求，每天上限 50 次请求。

谷歌 AI Studio 现在可以通过 ai.dev 域名直接访问了。

ai.com 这个域名的持有者目前仍指向 DeepSeek。

DeepSeek V3-0324 模型低调更新，虽然没有官方公告，但已在 HF 上开源。我看评论区有人说新版本已上线官网，记得关闭深度思考。