国产AI – mylogs.cn https://mylogs.cn 发现、记录、分享 Wed, 05 Aug 2026 20:32:29 +0000 zh-Hans hourly 1 0.18 元出一张图，阿里这款文生图想抢商用饭碗 https://mylogs.cn/qwen-image-3-pro-commercial-release/ https://mylogs.cn/qwen-image-3-pro-commercial-release/#respond Wed, 05 Aug 2026 18:35:39 +0000 https://mylogs.cn/qwen-image-3-pro-commercial-release/ 阿里千问系列的图像生成模型，正在从文生图赛道的“追赶者”切换成“商用猎手”。8 月 5 日，Qwen-Image-3.0 在千问 AI 平台全量上线，旗舰版 Qwen-Image-3.0-Pro 与标准版 Qwen-Image-3.0-Standard 同时开放 API，国内文生图起步价压到 0.18 元一张，海外 QwenCloud 上 Pro 版 0.04 美元、Standard 版 0.03 美元。

0.18 元出一张图，阿里这款文生图想抢商用饭碗
AI生成配图

模型参数规模为 200 亿，约为 FLUX 的两倍，技术架构采用 MMDiT（多模态扩散变换器），把文本和图像做端到端联合建模。单看参数和架构只是纸面功夫，真正让它跳出“AI 画画玩具”定位的是三个落地能力：

内容丰实。 提示词输入上限拉到 4.5k token，是前代的 4.5 倍。过去用户得把需求压缩成一句话，现在可以像写设计需求文档那样，把画面结构、文字内容、视觉风格、排版细节一次性写进去。报纸版面、影视分镜、数学试卷、PPT 等复杂版式，模型声称可以一次成图。

细节真实。 官方给出的关键指标是支持 10px 小字精准渲染，毛孔、发丝这类微观质感也能还原。对人像摄影、古籍拓片、商品实拍等对细节敏感的场景，这意味着 AI 生图不再是“远看惊艳、放大露馅”。

知识厚实。 模型原生支持 12 种语言和 20 多款字体，提示词里同时出现中文、英文、韩文等多语种文字也能稳定输出，减少缺字、乱码、错位的问题。公式符号、几何图形、逻辑推导步骤这类知识图解，以及网页、游戏、直播界面仿真，都是它想切中的商用场景。

另一个值得注意的设定是，文生图（T2I）和图生图/图像编辑（I2I）被合并进同一个模型接口，用户不再需要为出图和改图分别调不同模型。输出分辨率可在 512×512 到 2048×2048 之间选择，默认由模型根据提示词自动推荐。

在 Arena.ai 最新的文生图评测榜单中，Qwen-Image-3.0 位列国内第一。阿里近两周的模型节奏也很密集：7 月 19 日刚放出 2.4 万亿参数的 Qwen3.8-Max 预览版，紧接着就是 Qwen-Image-3.0 全量开放。

从文生图市场的竞争格局看，低价 API 和中文/多语言小字渲染能力，是这款产品最明显的差异化切口。教育机构批量生成试卷、出海团队做多语言海报、出版社做古籍修复与知识图解，都是过去 AI 生图“做不到”或“做不好”的细分需求。0.18 元的起售价加上全量 API，至少把试错门槛压到了足够低。

来源：综合自 QwenCloud、阿里云百炼文档、aitop100.cn 报道

]]> https://mylogs.cn/qwen-image-3-pro-commercial-release/feed/ 0 哈布斯堡下巴青蛙，考倒了谁 https://mylogs.cn/%e5%93%88%e5%b8%83%e6%96%af%e5%a0%a1%e4%b8%8b%e5%b7%b4%e9%9d%92%e8%9b%99%ef%bc%8c%e8%80%83%e5%80%92%e4%ba%86%e8%b0%81/ https://mylogs.cn/%e5%93%88%e5%b8%83%e6%96%af%e5%a0%a1%e4%b8%8b%e5%b7%b4%e9%9d%92%e8%9b%99%ef%bc%8c%e8%80%83%e5%80%92%e4%ba%86%e8%b0%81/#respond Mon, 03 Aug 2026 07:08:35 +0000 https://mylogs.cn/%e5%93%88%e5%b8%83%e6%96%af%e5%a0%a1%e4%b8%8b%e5%b7%b4%e9%9d%92%e8%9b%99%ef%bc%8c%e8%80%83%e5%80%92%e4%ba%86%e8%b0%81/ 你给 AI 下过最离谱的指令是什么？

哈布斯堡下巴青蛙，考倒了谁
图片来源：frogs.vaguespac.es

一个独立开发者最近让 14 款主流大模型做同一件事：画一只带有“哈布斯堡下巴”的青蛙 SVG。这个下颌前突的遗传特征本是欧洲皇室近亲结婚的产物，现在成了检验模型是否“听话”又“不瞎编”的基准测试。

测试覆盖 Claude 5 系列、GPT-5.5 / GPT-5.4-mini、Gemini 2.5 Pro / 3.6 Flash、Grok 4.5、DeepSeek-v4-pro、Kimi k3、GLM-5.1、Qwen3.7-Max、Llama 4 Maverick、Mistral Large 2512。每个模型跑 3 次，记录耗时和输出体积。

成绩差得离谱

结果差异巨大。Llama 4 最快，6.9 秒、仅 536 字节；Kimi k3 最慢，169.1 秒。最“戏精”的是 Gemini 3.6 Flash，生生给青蛙加了皇室项圈、金羊毛勋章和阴郁表情；DeepSeek-v4-pro 则给青蛙穿上长袍，脑补出“傲慢俯视”的解说词。

说白了，这个测试看的不是谁画得好看，而是谁能按要求干活、不多加戏。在代码和图形生成场景里，后者比前者重要得多——你今天让它画只青蛙，明天可能就是让它生成一段控制代码，多出来的“皇室想象”就是 bug。

你的判断标准该更新了

下次你想快速判断一个 AI 是“直男”还是“戏精”，不妨也丢一个精确到细节的奇怪任务给它。看它到底是按指令执行，还是忍不住自我发挥。

来源：Frogs — the Habsburg-jaw SVG benchmark（frogs.vaguespac.es）

]]> https://mylogs.cn/%e5%93%88%e5%b8%83%e6%96%af%e5%a0%a1%e4%b8%8b%e5%b7%b4%e9%9d%92%e8%9b%99%ef%bc%8c%e8%80%83%e5%80%92%e4%ba%86%e8%b0%81/feed/ 0 MiniMax H3 开源：音视频一锅端，2K 15 秒 https://mylogs.cn/minimax-h3-%e5%bc%80%e6%ba%90%ef%bc%9a%e9%9f%b3%e8%a7%86%e9%a2%91%e4%b8%80%e9%94%85%e7%ab%af%ef%bc%8c2k-15-%e7%a7%92/ https://mylogs.cn/minimax-h3-%e5%bc%80%e6%ba%90%ef%bc%9a%e9%9f%b3%e8%a7%86%e9%a2%91%e4%b8%80%e9%94%85%e7%ab%af%ef%bc%8c2k-15-%e7%a7%92/#respond Mon, 03 Aug 2026 04:54:46 +0000 https://mylogs.cn/minimax-h3-%e5%bc%80%e6%ba%90%ef%bc%9a%e9%9f%b3%e8%a7%86%e9%a2%91%e4%b8%80%e9%94%85%e7%ab%af%ef%bc%8c2k-15-%e7%a7%92/ 你听过的AI视频生成工具，多数还卡在”文生视频”或”图生视频”两件事之间来回切换。2026年8月3日，MiniMax把H3正式开源，把文本、图像、视频、音频当成同一件事一起处理。

MiniMax H3 开源：音视频一锅端，2K 15 秒
图片来源：MiniMax Research

H3是个通用多模态生成模型，输出15秒、2K分辨率（短边约1440像素）、24帧每秒的视频，画面与原生立体声音频在同一次生成中同步产出。同一段提示词里可以塞进至多9张图、3段视频、3段音频。比如”参考视频1的希区柯克运镜，让图片2里的角色按音频3开口唱歌”，H3会自己理顺上下文的关系。

核心架构由四部分撑起来：Contextual Omni Representation把上百K token的原始素材压缩到约4K token，让语言成为跨模态的通用桥梁；H3-VAE把序列有效长度扩展4倍，配合原生2K输出；H3-Omni Transformer把理解与生成的算力分离，训练吞吐约提高30%；In-Context Regeneration让2K输出由模型自身在上下文内重画，不用外挂超分模块，小字、品牌标识都能保住。

生成任务分三档：纯文本驱动的t2va、首尾帧关键帧驱动的fl2va，以及参考素材驱动的ref2va——后者能绑定主体图像与参考音色，做口型同步与语音克隆。

价格上，2K同档每秒单价不到主流闭源模型的三分之一，768p每秒不到主流模型720p的一半。硬件适配是同步推进的：AMD用SGLang在MI355X和MI300X上跑出Day 0支持，8卡序列并行；摩尔线程同日在国产AI训推卡MTT S5000上完成适配。开源采用MiniMax Community License，权重将在未来几天放出。

说白了，H3的看点不是又一个”文生视频”，而是把图像生成、参考控制、编辑拉到同一个框架里。OpenAI Sora 2、字节Seedance 2.5与谷歌Gemini Omni Flash分占不同赛道，H3在编辑与可控参考上领先，但纯文生视频和图生视频环节未必都第一。

我的判断是，2026年下半年AI视频工具的PK标准会从”几秒高清”改成”多模态可控+开源可改+多硬件可跑”。H3把三条都点上了。想试的话，盯紧开源权重放出的那一天。

来源：MiniMax Research 官方博客、AMD Developer Blog、36氪

]]> https://mylogs.cn/minimax-h3-%e5%bc%80%e6%ba%90%ef%bc%9a%e9%9f%b3%e8%a7%86%e9%a2%91%e4%b8%80%e9%94%85%e7%ab%af%ef%bc%8c2k-15-%e7%a7%92/feed/ 0