xAI、Grok Imagine APIにQuality Modeを提供開始
xAIは、Grok Imagine APIで画像の生成と編集に対応するQuality Modeを、エンタープライズ向け開発者とチーム向けに公開した。リアリズム、テキストレンダリング、クリエイティブ制御の向上をうたっており、商品ビジュアルやマーケティング素材の大量制作、動画生成との組み合わせも想定されている。ドキュメントは公式docsページで提供される。
#画像生成
#画像生成
本日0件xAI NewsAIスコア3535 xAI NewsAIスコア5858 xAI、Imagine Image 2.0を一般提供開始 精密な画像生成と編集に対応
xAIは画像生成モデルImagine Image 2.0を、grok.com/imagineとiOS・AndroidアプリのQuality Modeとして一般提供した。指示への忠実さ、タイポグラフィとレイアウトの計画、生成や編集をまたぐ内容の保持を特徴とする。APIではgrok-imagine-image-2.0として利用でき、Arenaのtext-to-imageと画像編集の両方で総合Elo世界2位としている。
Microsoft AI (MAI) NewsAIスコア5353 Microsoft AI、自社開発の画像生成モデルMAI-Image-1を発表、LMArenaでトップ10入り
Microsoft AIは、完全に自社で開発した初の画像生成モデルMAI-Image-1を発表した。LMArenaのテキストから画像への生成モデルでトップ10にデビューした。11月4日の更新では、Bing Image CreatorとCopilot Audio Expressionsでの提供開始も伝えている。
WIRED AIAIスコア5151 AI生成の女性アカウントがスタンダップ芸人のネタを無断複製、Instagramの規約は対象外と回答
WIREDは、AI生成の女性アカウントが少なくとも8人のスタンダップコメディアンの動画を複製し、露出の多い映像で拡散していると報じた。Metaは、なりすましではなくネタの転用にすぎないとして規約違反には当たらないと回答している。Instagram責任者のAdam Mosseriは、AIコンテンツの禁止は現実的ではないとしつつ、オリジナルの制作者への誘導には力を入れていると述べた。
The Verge AIAIスコア5252 Trump氏、ホワイトハウス改修の投稿写真にAI編集の疑い GoogleのSynthID Detectorが検出
Trump大統領がTruth Socialに投稿したホワイトハウスの柱の「修復後」写真が、GoogleのSynthID DetectorでAIによる作成または編集と判定された。The Vergeが同ツールへのアップロードで確認した。階段の段数の不一致など不自然な点も指摘されており、ホワイトハウスはコメント要請にすぐ応じていない。
Hugging Face Blog注目記事AIスコア6060 Black Forest Labs、FLUX.3 Image Kleinを公開 Diffusersで初日から利用可能
Black Forest LabsのFLUX.3 Image Kleinが公開され、Diffusersで初日から動作する。1つのモデルでtext-to-image、複数参照のimage-to-image、バウンディングボックスによるレイアウト制御に対応する。蒸留版は16ステップでCFGなし、H100で1024 × 1024の画像を約2秒で生成する。NVFP4とFP8の重み、LoRA学習スクリプト、Modular Diffusersパイプラインも提供される。
選定理由：bboxをプロンプトに書いて配置や移動を指定する操作法と、H100での速度やメモリの実測値が併記されており、導入時の負荷を見積もりやすい。
Ars Technica AIAIスコア5858 White Circle、OpenAIとGoogleの画像生成モデルのガードレールを突破する攻撃手法RISEを報告
AI安全企業White Circleは、DALL·E 3、Nano Banana 2、GPT-Image-2の安全フィルターを市販・公開のツールとAPI呼び出しだけで回避できる攻撃手法RISEを、プレプリントで報告した。人間の審査で露骨な画像と確認された割合は、DALL·E 3で約13%、Nano Banana 2で10%未満、GPT-Image-2で約3%だった。OpenAIとGoogleはArs Technicaのコメント要請に応じていない。
OpenAI NewsAIスコア3131 Higgsfield、AI動画の長さを1分から10分超へ
Higgsfield AIは、GPT-6 Astraを使ってAI動画の長さを従来の約1分から10分超に延ばした。同社はGPT-6 Astraで10分超の教育用動画を生成するワークフローも構築したとしている。小規模事業者の販促コンテンツ向けには、GPT-Image-2.5で読みやすいテキストやインフォグラフィックを含む画像を作成できると説明されている。
Qwen@Alibaba_QwenAIスコア5656引用元Qwen@Alibaba_QwenMeet Qwen-Image-2.1, the most balanced and cost-effective image generation model in the Qwen-Image series! Now open weights! 🎨 A unified model for both generation and editing, delivering top-tier quality in a lightweight package. Highlights: 👀 - Compact & exceptionally fast: A lightweight 7B architecture that outperforms most closed-source models, with drastically accelerated inference for multi-image inputs. - Native transparency: Natively generates and edits RGBA layers, enabling seamless compositing and text editing within transparent images. - Versatile, high-fidelity editing: Supports up to 10 reference images and precise local control while preserving strict fidelity for portraits and products. - Broad coverage & stunning aesthetics: Excels at panoramas, infographics, and virtual try-ons, delivering realistic textures and elegant typography. Start to create your next masterpiece with Qwen-Image-2.1! 🖼️ - Blog: https://qwen.ai/blog?id=qwen-image-2.1 - GitHub: https://github.com/QwenLM/Qwen-Image-2.1 - Model Scope: https://www.modelscope.cn/models/Qwen/Qwen-Image-2.1 - Hugging Face: https://huggingface.co/Qwen/Qwen-Image-2.1
OpenAI NewsAIスコア2222 Pollo AI、OpenAIのモデルで創作アイデアを広告キャンペーンに
Pollo AIは、GPT‑5.6、GPT‑6 Astra、GPT‑Image‑2.5を使ったAIエージェント「Pollo Agent」で、ユーザーの創作アイデアを画像や動画に仕上げている。同社によると、ユーザーはモデルの選択や切り替えに費やす時間が50%以上減った。静止画とプロンプトから約15秒の動画広告を作れる「Photo to Video Ads」も提供している。
Hugging Face BlogAIスコア5252 Hugging FaceのML Internで6つの専用モデルを作った手順と費用
Hugging Faceの著者がHuggingChatのML Internを使い、数日で6つのモデルを作成して公開した。0.8Bのプロンプトリライターは計算費用16ドルで、有効出力率は99.7%、教師モデルの約4分の1のトークンで動作する。6件の計算費用は合計で約103ドルである。
Apple Machine Learning ResearchAIスコア3838 Normalizing Trajectory Models（NTM）、厳密な尤度を保ったまま少ステップで画像を生成する手法
Appleの研究チームが、拡散モデルの各逆ステップを厳密な尤度で学習できる条件付きNormalizing Flowとして表現するNormalizing Trajectory Models（NTM）を提案した。自己蒸留により、4ステップで高品質なサンプルを生成できる。テキストから画像へのベンチマークでは、強力な画像生成ベースラインと同等以上の性能を、4ステップの生成だけで示したとされる。
Google Research BlogAIスコア3939 Diffusion Controllerはどのようにして AI画像生成の制御を統一・簡素化するのか
Diffusion Controllerは、画像生成の拡散過程を連続的な制御問題として捉え直し、推論時の誘導とファインチューニングを一つの枠組みで扱う手法である。ベースモデルを凍結したまま軽量なアドオンネットワークを付加する方式で、Stable Diffusion v1.4を基盤とした実験では、人間の選好への適合度を示すHPS-v2において業界標準を上回ったと報告されている。重みに全面的にアクセスできる完全版は、ベースラインモデルに対して90%の勝率を達成した。
- Qwen@Alibaba_QwenAIスコア3131引用元Arena.ai@arena
Qwen-Image-2.1 by @Alibaba_Qwen just landed as the #1 open source model in the Image Edit Arena and Text-to-Image Arena! With 1367 pts in the Image Edit Arena, Qwen-Image-2.1 took the #1 spot among open. It landed #16 overall, just 3 pts from GPT-Image-1.5-high-fidelity at #15. See the leaderboard for the Text-to-Image arena below. Congrats to the @Alibaba_Qwen team on this contribution to the open source ecosystem!
- Qwen@Alibaba_QwenAIスコア2626引用元Intel Devs@inteldevs
We're excited to offer Day0 OpenVINO support for Qwen-Image-2.1 Read more about what you can accomplish here: https://ms.spr.ly/6019a5nm5
- Qwen@Alibaba_QwenAIスコア4444引用元SGLang@sgl_project
Day-0 support for @Alibaba_Qwen’s Qwen-Image 2.1 is here in SGLang-Diffusion! 🖥️ Native precision on a single RTX 4090 24GB with CPU offload - 1024×1024 generation in 18.7s and image editing in 21.7s with 22.7 GiB peak GPU memory during requests. - On an RTX PRO 6000 96GB: 8.0s generation and 9.6s editing. 🎨 Text-to-image, multi-image editing, and transparent RGBA output—all with one checkpoint. ⚡ Native inference with TP/SP, LoRA, and OpenAI-compatible APIs. 40 denoising steps, one image per request, warmed HTTP latency including PNG output. No quantization. Cookbook and GPU-specific commands below 👇
- Qwen@Alibaba_QwenAIスコア4444
Qwen-Image-2.1 × @HuggingApps：Spacesでライブデモを公開！🖼 生成と編集を1つのチェックポイントで実現。セットアップ不要で、ブラウザからそのまま試せる。👇
引用元Hugging Apps@HuggingAppsQwen Image 2.1 is here! 🖼️ A 7B params native image generation and editing model, with up to 10 image references The model comes with it's own prompt enhancement LLMs, integrated with diffusers 🧨 and ComfyUI ▶️ on Spaces https://huggingface.co/spaces/hugging-apps/qwen-image-2-1
- Qwen@Alibaba_QwenAIスコア4747
Qwen-Image-2.1がComfyUIでサポートされました。ぜひ試して、作品を共有してください。🖼️
引用元ComfyUI@ComfyUIQwen-Image-2.1 is now supported in ComfyUI! Open weights. One 7B checkpoint that generates and edits. → Image generation at native 2K → Instruction editing from up to 10 reference images in a single pass → RGBA output, alpha included
Google Blog: GeminiAIスコア5454 Google、Windows向けGeminiアプリを提供開始
GoogleはWindows向けのGeminiアプリを公開した。Alt + Spaceで作業中の画面上にGeminiを呼び出せる。Windows 10と11に対応し、世界中で本日から利用でき、gemini.google/desktop からダウンロードできる。
Hugging Face BlogAIスコア4040 Gradio WorkflowによるAUTOMATIC1111の再構築
Hugging Faceは、AUTOMATIC1111のstable-diffusion-webuiの機能の大半を単一のワークフローキャンバスで再現した「Workflow1111」を紹介した。11本のパイプラインと73個のノードで構成され、text-to-imageやFLUX.1-Kontextによるhi-resolution fix、prompt matrix、PNG Infoなどを含む。利用にはHugging Faceアカウントでのサインインまたはアクセストークンが必要で、モデル呼び出しは利用者自身のクォータを消費する。
Google AI BlogAIスコア3737 AIで70年連れ添った夫婦の記憶を再現 Google DeepMindが短編映画『Love, Rendered』に協力
Google DeepMindは映画制作者と共同で、短編ドキュメンタリー『Love, Rendered』を制作し、結婚70年以上のBurt and Ethelle Shatz夫妻が記録されていない出会いの日をAIで再現した。白黒写真の画像修復とパフォーマンスキャプチャモデルを組み合わせ、現在の夫妻の仕草を若い頃の姿に写し取っている。写真の復元はGeminiアプリでも可能である。
Microsoft AI (MAI) NewsAIスコア5050 Microsoft、MAI-Image-2.6をFoundryで提供開始、高速版MAI-Image-2.6-Flashも追加
Microsoftは画像モデルMAI-Image-2.6をMicrosoft Foundryの開発者向けに提供し、低遅延向けのMAI-Image-2.6-Flashを加えた。MAI-Image-2.6はArenaでtext to imageと画像編集がともにNo. 2、Artificial Analysisではtext-to-imageがNo. 2、画像編集がNo. 1である。Flashは GPT-Image-2-Mediumより2.8倍高速で、効率は72%高いとしている。
SB Intuitions ブログAIスコア3434 SB Intuitions、日本語に強い画像生成基盤モデルSarashina Image 2.6Bを開発
SB Intuitionsは、日本語および英語のプロンプトから高解像度画像を生成する画像生成基盤モデル「Sarashina Image 2.6B」を開発した。26億パラメータのDiffusion Transformer（DiT）を既存モデルのファインチューニングではなくフルスクラッチで訓練し、Text Encoderには自社のSarashina2.2-Vision-3Bを採用している。学習データは自社購入の大規模ストックフォトを中核に、ライセンスや利用規約を遵守したオープンデータセットを組み合わせて構築した。
Google AI BlogAIスコア5858 Google、画像生成・編集ツール「Google Pics」を提供開始 Workspaceに統合
Googleは、Nano Bananaモデルを基盤とする画像生成・編集ツール「Google Pics」を、Google AI ProとUltraの全購読者および大半のWorkspace法人顧客向けに数週間かけて展開する。単体製品として使えるほか、Slides、Docs、Driveに順次統合され、試用は pics.new から可能である。
Microsoft AI (MAI) NewsAIスコア4848 MAI-Image-2.6、Arenaのtext-to-imageで2位。Google・Meta・xAIのモデルを上回る
MicrosoftはMAI-Image-2.6を発表し、Arenaのtext-to-imageリーダーボードで2位となった。MAI-Image-2.5からは総合で+79 Elo、テキスト描画では+91 Eloの向上で、全カテゴリーで改善した。Arenaで利用可能で、MAI Playgroundには今週後半に追加され、Microsoft Foundryなどにも順次展開される予定である。
Microsoft AI (MAI) NewsAIスコア5959 Microsoft AI、MAI-Image-2.5-ProとMAI-Voice-2-Flashをパブリックプレビューで公開
Microsoft AIは画像生成モデルMAI-Image-2.5-Proと音声モデルMAI-Voice-2-Flashをパブリックプレビューとして公開した。Proは同社最高忠実度の画像モデルで、Flashは MAI-Voice-2より2倍高速で32%安価、価格は100万文字あたり$15である。両モデルはFoundryやMAI Playgroundで試せる。
Hugging Face Blog注目記事AIスコア6060 Hugging Face、Diffusers本体でNunchaku Lite 4bit拡散モデル推論に対応
Hugging FaceはDiffusersでNunchakuのSVDQuant（W4A4）チェックポイントを`from_pretrained()`で直接読み込めるようにした。ローカルでのCUDAコンパイルは不要で、kernelsパッケージ経由でカーネルを取得する。RTX PRO 6000での計測では、BF16比でピークVRAMを最大50%削減し、レイテンシを約30%改善した。
選定理由：W4A4量子化がweight-onlyと何が違うかを説明し、速度とVRAMの実測値も併記しているため、手元のGPUでの導入可否を判断しやすい。
Google DeepMind Blog注目記事AIスコア6565 Google DeepMind、Nano Banana 2 LiteとGemini Omni Flashを開発者向けに提供開始
Google DeepMindは、最速かつ低コストの画像モデルNano Banana 2 Liteと、動画生成・対話型編集モデルGemini Omni Flashを開発者向けに提供開始した。Nano Banana 2 Liteは1K画像あたり$0.034、text-to-imageの出力は4秒で、Omni Flashは動画出力1秒あたり$0.10である。どちらもGoogle AI Studioとgemini APIから利用できる。
選定理由：画像生成と動画生成の2モデルを連結する使い方と、価格や制限事項が具体的に示されており、開発での採用判断の材料になる。
Microsoft AI (MAI) NewsAIスコア4242 Microsoft、画像モデル「MAI-Image-2.5」を公開 Arena画像編集ランキングで2位
Microsoft AI（MAI）が画像モデル「MAI-Image-2.5」を公開し、Arenaの画像編集リーダーボードで2位にランクインした。高速版の「MAI-Image-2.5-Flash」も同時に提供され、両モデルは開発者向けにFoundryで利用できる。料金はMAI-Image-2.5が1Mテキスト入力トークンあたり5ドル、1M画像入力トークンあたり8ドル、1M画像出力トークンあたり47ドルで、MAI-Image-2.5-Flashはそれぞれ1.75ドル、1.75ドル、19.50ドルである。
Microsoft AI (MAI) NewsAIスコア5858 Microsoft Build 2026、MAIが画像・音声・推論・コーディングの新モデル7種を発表
Microsoft AI（MAI）はBuild 2026の基調講演で、画像、音声、文字起こし、推論、コーディングにわたる7つの新モデルを発表した。初の推論モデルMAI-Thinking-1は35B active parameterのMoEで256Kコンテキストウィンドウを持ち、SWE Bench Proで53%、AIME 25で97%と説明されている。モデルはFoundryに加え、Open Router、Fireworks、Basetenでも提供される予定である。
Sony AI ブログAIスコア3838 Sony AI、CVPR 2026で6本の論文を発表、拡散モデルのチュートリアルも実施
Sony AIと共同研究者は、米デンバーで開かれるCVPR 2026で6本の論文を発表する。対象は生成モデリング、3Dシーン理解、ビデオからの音声合成、ドメイン適応、ビジュアルトークンの効率化である。MeanFlowとRepresentation Autoencoderを組み合わせたMF-RAEは、ImageNet 256で1ステップFID 2.03を記録し、学習コストを83%削減した。6月3日には拡散モデルのチュートリアルを実施し、Peter Stoneが関連ワークショップで基調講演を行う。
One Useful Thing (Ethan Mollick)注目記事AIスコア8080 Ethan Mollick、GPT-5.5を早期アクセスで実測し進歩と残る凹凸を評価
Ethan MollickはGPT-5.5に早期アクセスし、AIの急速な改善が続いていると評価した。GPT-5.5 Proは3Dの港町シミュレーションで町の進化を実際にモデル化できた唯一のモデルで、所要時間もGPT-5.4 Proの33分から20分に短縮した。一方、長編フィクションの質など能力の凹凸は残っている。
選定理由：早期アクセスで実際にタスクを走らせた体験記であり、モデル、アプリ、ハーネスの三層で進歩を捉える見方と、残る弱点が具体例で確認できる。
Google Research Blog注目記事AIスコア6060 Google Photos、Auto frameに撮影後の視点を補正する3D対応の写真再構図を追加
Googleは、撮影後に写真のカメラ視点を調整する新手法をGoogle PhotosのAuto frame機能として提供開始した。写真を3Dシーンとして解釈し、見えていなかった部分を生成AIで補う。人物を含む対象写真では、再構図された画像がAuto frameの候補の2番目として選べる。
選定理由：3D推定と生成的補完を分けた二段構成と、Google Photosで使える範囲が具体的に説明されており、写真編集の仕組みを理解しやすい。
Microsoft AI (MAI) NewsAIスコア5555 Microsoft AI、画像生成モデルMAI-Image-2-Efficientを提供開始
Microsoft AIは画像生成モデルMAI-Image-2-Efficientを公開した。タイトルでは旗艦級の品質を41%低いコストで提供するとしており、Microsoft FoundryとMAI Playground 3で本日から利用できる。CopilotとBingにも順次展開し、PowerPointなどにも広げる予定である。
Microsoft AI (MAI) NewsAIスコア5252 Microsoft AI、MAI-Transcribe-1など3つのMAIモデルをFoundryで提供開始
Microsoft AIは、MAI-Transcribe-1、MAI-Voice-1、MAI-Image-2の3モデルをMicrosoft FoundryとMAI Playgroundで提供開始した。料金はMAI-Transcribe-1が1時間あたり$0.36から、MAI-Voice-1が100万文字あたり$22から、MAI-Image-2がテキスト入力100万トークンあたり$5、画像出力100万トークンあたり$33からである。
Microsoft AI (MAI) NewsAIスコア5353 Microsoft AI、画像生成モデルMAI-Image-2を発表 MAI Playgroundで試用可能
Microsoft AIは画像生成モデルMAI-Image-2を発表した。Arena.aiのリーダーボードでモデルファミリー3位にランクインし、MAI Playgroundですぐに試せる。Copilotとビング Image Creatorへの展開も始まっている。
One Useful Thing (Ethan Mollick)AIスコア5656 Ethan Mollick、AIのジャグドフロンティアとボトルネックを論じる
Ethan Mollickは、AIの能力が不均一なまま伸びる以上、人間の仕事を完全には代替しにくいと論じている。ボトルネックが1つ解消されると全体が一気に進む例として、Google の Nano Banana Pro と NotebookLM のスライド生成を挙げ、ベンチマークではなくボトルネックを見るよう勧めている。
Mistral AI NewsAIスコア5050 Le Chat、Deep Researchなど新機能を発表
Mistral AIは、AIアシスタント「Le Chat」に調査、音声、画像編集などの新機能を追加した。Deep Research（プレビュー）は、複雑な話題について構造化された参照付きレポートを作成し、音声モードは新しい音声入力モデルVoxtralで会話を可能にする。Projectsでは関連する会話をコンテキスト付きのフォルダにまとめられ、Black Forest Labsと提携した画像編集機能も加わった。