Google Research 提出 Diffusion Controller，将图像生成的去噪过程重新表述为连续控制问题，用轻量级控制网络调节生成轨迹。该框架支持灰盒和白盒场景，并通过 SFT、RWL 和 PPO 在 Stable Diffusion v1.4 上进行评估；其完全解锁版本相对基线模型取得了 90% 的胜率。
推荐理由：Diffusion Controller 将推理时引导与微调统一为连续控制框架，并展示了灰盒和白盒场景下兼顾偏好匹配与图像质量的实现路径。
Hugging Face 将 Nunchaku Lite 原生接入 Diffusers，Nunchaku 检查点现在可通过 from_pretrained() 加载，无需自定义 pipeline、独立推理引擎或本地 CUDA 编译。
推荐理由：Nunchaku Lite 将 4-bit 扩散推理接入 Diffusers，并给出显存、速度和自定义量化流程，便于评估其部署价值。
Google Research 介绍发表于 ICLR 2026 的论文《On the Interpolation Effect of Score Smoothing in Diffusion Models》，指出扩散模型的“创造力”源于神经网络训练对 score function 的平滑作用。
Google DeepMind 发布 Nano Banana 2 Lite，并向开发者开放 Gemini Omni Flash，分别用于高速图像生成以及视频生成和对话式编辑。
推荐理由：两款模型分别覆盖高速图像生成与视频生成编辑，并给出延迟、价格、接口和组合用法，便于开发者评估工作流。
Google Photos 已在 Auto frame 中加入基于3D场景理解和生成式 AI 的自动重构功能，可在拍摄后调整相机位置、方向和焦距，生成新的照片视角。该方法先估计3D点图与人脸信息，再用生成式 latent diffusion 模型补全原照片未捕捉到的区域，并可改善人像广角镜头造成的透视畸变。
推荐理由：Google Photos 将3D场景估计与生成式修补结合，用于自动调整人像视角和广角畸变，展示了生成式编辑介入拍摄构图的具体路径。