3qk7 · AI LOCAL LABS
TECHNICAL SCOUTING
AI FRONTIER
Signals worth understanding before they become obvious.
2026-10-05
01
watchresearchnew architecture
Google Research 推出 Diffusion Controller，统一并简化 AI 图像生成控制
Google Research 提出 Diffusion Controller，一个轻量级“转向阻尼器”网络，将扩散模型的去噪过程视为连续控制问题，可在不修改基础模型的情况下提升提示词对齐与图像质量。
- 论文在 Stable Diffusion v1.4 骨干上评估了 SFT、RWL 和 PPO 三种微调方式，使用 HPS-v2 衡量与用户提示词及审美的对齐程度。
- 在 SFT 和 RWL 实验中，灰盒 Diffusion Controller 转向阻尼器网络在 HPS-v2 胜率上超过了 LoRA，且改动的内部模型层数明显更少。
- 论文报告其完全解锁版本（白盒、可修改内部权重）相对基线模型取得 90% 胜率。
- 该网络可附加到访问受限的闭源模型上，并通过调整单一推理时引导强度参数动态控制约束强度。
对构建者而言，这意味着无需白盒权重即可对闭源图像模型做轻量级、可调强度的行为引导，从而降低定制与对齐成本。
02
testmodelsopen source unlock
Cloudflare/clef-flash：9B 多模态决策模型，单次前向传播输出结构化概率
Cloudflare 发布 clef-flash，一个基于 Qwen/Qwen3.5-9B 后训练得到的 9B 多模态模型，可将状态与类型化问题 schema 转换为决策，并在单次前向传播中为每个问题的每个允许选项返回概率，不生成自由文本。
- 模型基于 Qwen/Qwen3.5-9B 及其视觉编码器后训练，采用标准分片 safetensors 存储。
- 输入支持文本、JSON、图像或视频，输出为每个问题每个允许选项一个 logit，按问题做 softmax 得到概率。
- 采用 Apache-2.0 许可，遵循基础模型 Qwen/Qwen3.5-9B。
- 在单张 H200 上使用 torch 2.11 与 transformers 5.10.2 测试，图像和视频输入还需 pillow。
对于需要结构化决策而非自由文本生成的 AI 构建者，clef-flash 提供了可直接接入 Jev/SystemOne API 的 9B 单次前向概率输出方案。
03
testcreativeincremental
Qwen 开源 Qwen-Image-2.1：7B 统一文生图与图像编辑模型
Qwen 开源 Qwen-Image-2.1，一个统一文生图与图像编辑模型，视觉生成组件为 7B 参数、32 层 Single-Stream DiT，支持原生 RGBA 透明图生成与最多 10 张参考图编辑。
- 视觉生成组件为 7B 参数，包含 32 层 Single-Stream DiT。
- 支持最多 10 张参考图像，可通过圆圈、涂鸦标注或独立掩码指定局部编辑。
- 支持 1:1、4:3、3:4、3:2、2:3、16:9、9:16 等宽高比，示例分辨率最高 2752×1536。
- 采用 Qwen Research License Agreement 许可，上月下载量 90,003。
对构建创意工具的团队而言，单模型同时覆盖文生图、透明图层生成与多参考图编辑，可减少多模型拼接带来的工程复杂度。