作为谷歌 DeepMind 机器学习团队的重量级人物，Nando de Freitas 曾共同领导开发出了 Imagen 2、Gato、Genie、Griffin、Lyria 等名噪一时的大模型产品。
World Labs 的创始团队中，有 ImageNet、NeRF、Style Transfer 和 Gaussian Splats 作者在列。
时隔5个月，Imagen 3终于可以人人可用了，而且还能支持是生成人物图像。与此同时，谷歌宣布了Gemini AI的重大升级，全新AI定制助手Gems已经面向150多个国家推出。
Image-Matting（小宾AI抠图）是来自 GitHub 的一款免费、开源、无广告的，本地运行的基于 AI 的抠图应用。它简单好用，抠图效果好，目前支持 Windows、MacOS 等平台。
当前的视觉语言模型（VLM）主要通过 QA 问答形式进行性能评测，而缺乏对模型基础理解能力的评测，例如 detail image caption 性能的可靠评测手段。
只需Image Tokenizer，Llama也能做图像生成了，而且效果超过了扩散模型。
在当今的多模态大模型的发展中，模型的性能和训练数据的质量关系十分紧密，可以说是 “数据赋予了模型的绝大多数能力”。
在生成式模型的迅速发展中，Image Tokenization 扮演着一个很重要的角色，例如Diffusion依赖的VAE或者是Transformer依赖的VQGAN。这些Tokenizers会将图像编码至一个更为紧凑的隐空间（latent space），使得生成高分辨率图像更有效率。
2024 年 5 月，DreamTech 官宣了其高质量 3D 生成大模型 Direct3D，并公开了相关学术论文 Direct3D: Scalable Image-to-3D Generation via 3D Latent Diffusion Transformer。
OpenAI在5月14日推出了新一代人工智能模型GPT-4o，支持文本、音频和图像的任意组合输入，并能够生成文本、音频和图像的任意组合输出。仅仅一天后，谷歌就在新一届I/O开发者大会上发布、更新了十多款产品，包括AI助手Project Astra、文生图模型Imagen3、对标Sora的文生视频模型Veo，以及备受瞩目的大模型Gemini 1.5 Pro的升级版。
