扩散模型把解码这道工序也吃了下来

重点关注

01 图像生成 生成大图最慢的一步，其实不是生成

现在主流的文生图模型（无论扩散还是自回归）都在一个压缩过的「潜空间」里画图，画完再用一个解码器还原成像素。问题是这个解码器天生是「还原派」——它只负责把压缩的东西复原，不负责补细节，分辨率一上去就又慢又吃力。PiD把这一步整个换掉：不用传统解码器，而是直接在像素空间跑一个扩散模型，把解码和超分合并成一件事。结果是512分辨率的latent能直接出2048的图，在一张消费级RTX 5090上不到1秒，比那些「先解码再级联超分」的老管线快约6倍，画质还更好。对做图像产品的人来说，这意味着出大图的成本和延迟可能要重新算一遍。

原文：PiD: Fast and High-Resolution Latent Decoding with Pixel Diffusion

02 多模态 让模型「看着图思考」，为什么不直接给它配个P图的？

「think with images」这个方向想让模型在推理时主动操作图像——放大局部、变换视角——而不是光靠文字硬想。但现有做法要么被固定的工具集卡死，要么自己生成的中间图很糙。ETCHR换了个思路：把「理解」和「画图」拆开，专门训一个会「按问题需求改图」的编辑模型来给主模型打下手。关键在于这个编辑器是解耦的，不挑下游模型，训练完能直接插到任何开源或闭源MLLM上免训练使用。在感知、图表、逻辑、3D等五类任务上，它给Qwen3-VL-8B、Gemini-3.1-Flash-Lite、Kimi K2.5分别带来了大约5个点的Pass@1提升。

原文：ETCHR: Editing To Clarify and Harness Reasoning

03 Agent 给Agent一个空场景和一句话，让它自己拍出一张好照片

虚拟摄影这个任务挺刁钻：把Agent扔进一个没有预设机位、没有参考图的3D场景，只给一句话意图，让它自己理解空间、选机位、定参数、渲出片。难点在于它同时考两件很难一起评的能力——3D空间理解和抽象审美判断。PhotoFlow用了一套「导演-评审-反思」的闭环：导演先出构图蓝图和候选机位，评审用规则+视觉批评+两两对比筛选，反思则把失败转成「哪些区域别再去了」的记忆。团队还配了个47个Blender场景、141个语言任务的基准VPhotoBench。结果显示，在有限的渲染预算下，这套LLM主导的空间Agent确实能拍出像样的片子。对做3D工具、游戏内容、虚拟制片的人来说，这是个值得留意的信号：机位和构图这种「需要审美」的活，Agent开始能接了。

原文：PhotoFlow: Agentic 3D Virtual Photography Missions

04 训练优化 为什么模型越训越大，效果反而会掉？

经典的Scaling Law都是「越大越好」的单调曲线，可现实里偏偏有反例：过度训练会让性能崩、量化也会让模型退化——算力明明加了，效果却往下走，老公式解释不了。这篇论文把LLM训练看成「在有噪声的信道里传信息」，借香农理论建了个新框架：模型参数对应信道带宽，训练token对应信号功率。结论是LLM存在一个「香农容量」上限——光堆参数或数据而不维持足够的信噪比，只会放大噪声，把单调提升变成U型下滑。他们在Pythia和OLMo2上验证，还能外推：只用不超过6.9B的模型拟合，就预测出了12B模型的表现。这给「无脑加规模」提了个醒，不过结论需要看全文确认适用边界。

原文：LLMs as Noisy Channels: A Shannon Perspective on Model Capacity and Scaling Laws