本文介绍机器学习中潜在空间（latent space）的三种核心作用：描述性（如PCA压缩高维数据）、生成性（通过插值创造新数据点）和预测性（如推荐系统、RAG中计算相似度）。潜在空间将复杂数据转化为结构化数值表示，是压缩、生成和连接数据的关键基础概念。

本文探讨了在本地运行生成模型进行编码的可行性，分析了影响模型性能的因素，如内存、处理器核心、模型参数和推理能力。尽管小型模型在工具调用上存在困难，但Qwen3.6 35B MoE模型在能力、速度和内存占用方面表现最佳。总体而言，当前模型仍需改进，尚未实现简单的“即插即用”体验。

NTIRE 2026挑战赛专注于UGC短视频的复杂降质修复，面向全球研究者开放。比赛基于KwaiVIR数据集，涵盖合成与真实降质视频，旨在推动生成模型在视频修复中的应用。共95支队伍参赛，最终12支提交有效结果，展示了UGC短视频修复的进展。

语音增强（SE）面临数据、目标和任务等挑战，自监督学习（SSL）逐渐成为解决方案。SSL通过未配对数据学习和生成式方法，重塑了SE的训练目标。研究表明，SSL特征在增强任务中有效，未来将关注多任务统一增强、低信噪比生成模型及可控的语音生成。整体来看，SSL为SE提供了更强的先验和设计空间。

本文介绍了迭代去噪的归一化流（iTARFlow），一种新型生成模型。与扩散模型不同，iTARFlow在训练中保持完全的端到端似然目标，并在采样时结合自回归生成和迭代去噪过程。实验结果表明，iTARFlow在不同分辨率的图像生成任务中表现优异，展现了其作为强大生成模型的潜力。

本文介绍了GenCtrl，一个用于生成模型的可控性工具包。随着生成模型的普及，精细控制生成过程的需求增加。研究提出了一种理论框架，评估对话设置中模型的可控性，并提供了误差估计的正式保证。实验证明，模型的可控性脆弱且依赖于实验设置，强调了进行严格可控性分析的必要性。

何恺明团队在arXiv发布了《Generative Modeling via Drifting》论文，提出了Drifting Models生成模型，训练时分布逐步漂移，推理时仅需一步生成，速度提升100倍，质量更佳，标志着生成模型领域的重要转折，期待广泛应用。

扩散模型Mercury 2成为最快的生成模型，生成速度达到每秒1009个tokens，比传统自回归模型快5倍。其并行优化机制提升了生成速度，并在性能和成本上具有优势。Inception Labs专注于扩散模型，致力于突破速度与成本的瓶颈。

VSSFlow是一种新方法，将视频到声音（V2S）和视觉文本到语音（VisualTTS）任务整合在一个框架中。它通过条件聚合机制处理不同输入信号，利用交叉注意力和自注意力层的不同偏差，提升生成效果。VSSFlow在联合学习中表现优异，超越了现有基准，展示了统一生成模型的潜力。

全球黑客马拉松Sketch & Search汇聚开发者，探索AI驱动的创意流程。参赛团队需构建结合生成模型、视觉创作和向量搜索的系统。获奖项目包括Prometheus、Roast My Snack和AutoScape，展示了检索在创意和实用性中的基础作用。

LinEAS是一种新方法，通过全局损失训练激活引导，旨在控制生成模型的输出，减少有害内容。该方法仅需少量无配对样本，在语言模型的毒性缓解上表现优于传统方法，具有更强的鲁棒性和有效性。

STARFlow是一种基于归一化流的生成模型，专注于高分辨率图像合成。其核心是Transformer自回归流（TARFlow），结合了归一化流的表达能力与自回归Transformer的结构建模能力。通过深浅设计、在预训练自编码器的潜在空间建模及新颖的引导算法，STARFlow显著提升了可扩展性和样本质量，接近最先进的扩散模型表现。

Yandex 发布了 Alchemist，一个包含 3,350 个图像-文本对的公开 SFT 数据集，旨在提升文本到图像生成模型的输出质量。该数据集通过预训练的扩散模型筛选样本，注重高质量而非数量。评估结果显示，使用 Alchemist 微调的模型在美学和复杂度上显著提升，同时保持文本-图像相关性稳定。这一方法为生成视觉模型设定了新标准和资源。