答鸭Signals

AI 日报

AI生成走向轻量、实时与可模拟：Qwen挑战闭源图像模型

今日焦点是AI系统从“生成结果”转向更低成本、更可控的持续交互。Qwen以70亿参数推进开放图像生成，Runway探索实时视频流，StudentSim则用个性化模拟学生加速AI导师训练；三项进展均具潜力，但性能、稳定性与真实场景效果仍待更广泛验证。

Overview

当天导读

从 33 条资讯中筛选出 3 条

今日焦点是AI系统从“生成结果”转向更低成本、更可控的持续交互。Qwen以70亿参数推进开放图像生成，Runway探索实时视频流，StudentSim则用个性化模拟学生加速AI导师训练；三项进展均具潜力，但性能、稳定性与真实场景效果仍待更广泛验证。

70亿参数推进开放图像生成

Qwen-Image-2.1将RGBA、多参考图像和局部编辑集成到开放权重模型中，但其闭源模型对比结果仍需独立验证，研究许可证也限制商业使用。

关联报道 1

AI视频从等待成片转向边播边控

Runway希望以逐帧生成和持续控制打造实时视频体验；延迟、共享硬件吞吐量及误差累积仍是核心障碍。

关联报道 1

模拟学生降低AI导师训练成本

StudentSim利用学科汇总数据和少量个人记录建立学习者副本，可模拟典型错误与受教后的变化，但现有60人测试仍属早期验证。

关联报道 1

共同方向：减少算力、等待与真人反馈

从消费级显卡部署到实时视频，再到模拟学习者，今日三项进展都试图降低AI系统迭代成本，并提升用户对生成过程的控制。

关联报道 1 · 关联报道 2 · 关联报道 3

今日主线：更高效，也更可控

入选的三项进展分别压缩了模型规模、交互等待和真实用户反馈成本。共同趋势是让AI不再只是一次性输出工具，而是能够接受持续控制、模拟复杂对象并在更有限的资源下运行。

1. Qwen-Image-2.1以70亿参数挑战闭源模型

Alibaba Qwen团队发布开放权重的图像生成与编辑模型Qwen-Image-2.1。其视觉生成组件为70亿参数，支持原生透明RGBA图像、最多十张参考图像，以及通过圆圈、蒙版或手绘标记进行局部编辑；团队称其可在NVIDIA 3090等高性能消费级显卡上运行。

Qwen称该模型在自有基准中超过多数闭源模型，但这一结论尚待独立验证。模型虽已通过Hugging Face、GitHub和Model Scope发布，研究许可证却禁止商业使用，企业需要另行申请授权。故事 4411

2. Runway研究可实时控制的AI视频流

Runway正基于GWM-1探索逐帧生成视频的系统，让用户在播放过程中通过提示、摄像机运动、机器人指令或音频持续控制内容。目标是取代“提交提示—等待成片—重新生成”的传统流程，并通过降低首帧延迟和GPU使用时间，拓展交互媒体、游戏、机器人及自动驾驶模拟等场景。

关键挑战在于多会话共享硬件时仍要保持足够快的生成速度，同时避免逐帧误差累积为明显变形。Runway曾展示目标首帧延迟低于100毫秒的研究预览，但尚未公布产品上线时间。故事 4412

3. StudentSim用模拟学习者训练AI导师

Microsoft Research与伊利诺伊大学厄巴纳-香槟分校开发了StudentSim：先用同一学科的汇总数据训练Qwen3-4B-Instruct，再用个人少量记录进行调整，从而创建能复现特定错误、并对导师指导作出反应的学习者副本。

研究覆盖国际象棋、英语写作和数学领域的60名学生。团队报告称，StudentSim在相关测试中优于通过提示扮演学生的GPT-5.4，并在概念验证中帮助改善棋类导师；不过样本规模有限，尚不足以证明其在广泛真实教学环境中的效果。故事 4409

编辑观察

这三项工作都在重新定义AI应用的成本结构：更小的模型降低本地运行门槛，实时生成减少创作等待，可信模拟则减少对真人反馈的依赖。下一阶段的判断重点并非演示是否亮眼，而是独立评测能否复现性能、长时间交互能否保持稳定，以及许可证与部署条件是否允许规模化采用。

Stories

当日精选 8 条

01

The Decoder

Qwen-Image-2.1以70亿参数挑战闭源模型

·#generative-ai

Qwen-Image-2.1以70亿参数挑战闭源模型

Alibaba的Qwen团队发布了Qwen-Image-2.1，这是一款开放权重的图像生成与编辑模型，其视觉生成组件仅有70亿个参数。团队称，该模型在自有基准测试中超过了大多数闭源模型，并支持原生RGBA图像、最多十张参考图像以及在NVIDIA 3090等高性能消费级显卡上运行。

如果经独立测试证实，该模型可能让创作者、开发者和研究团队无需依赖大型闭源系统或昂贵基础设施，就能使用高质量图像生成和多模态编辑能力。开放权重、消费级显卡运行、透明图像支持和多参考图像编辑都具有吸引力，但仅限研究用途的许可证会限制商业采用。

Alibaba的Qwen AI团队发布了Qwen-Image-2.1，这是一款同时用于图像生成和编辑的开放权重模型。它的视觉生成模块仅包含70亿个参数，而Qwen称该模型在团队自有的内部基准测试中超过了大多数闭源模型。由于这一比较尚未经过独立确认，因此相关排名目前应被视为团队声明，而不是已经确立的行业结论。该模型原生支持透明RGBA图像，用户可以分离对象，或在透明图层上修改文字。

它最多可以接收十张参考图像，可用于合影、虚拟试穿以及室内或房间设计等场景。用户还可以使用圆圈、蒙版或手绘标记引导局部编辑；架构调整和KV缓存复用则旨在提升推理速度，尤其是在输入多张参考图像时。Qwen已通过Hugging Face、GitHub和Model Scope发布该模型，并提供Hugging Face演示页面，但其研究许可证禁止商业使用，商业用户需要另行申请许可证。

Qwen-Image-2.1能够生成和编辑透明RGBA图像，并可通过圆圈、蒙版或手绘标记引导局部修改；它还可处理最多十张参考图像，用于合影、虚拟试穿和房间设计等任务。性能结论目前来自Qwen自有基准测试，仍需独立验证；商业用户还必须向Qwen申请单独许可证。

查看单篇正文查看原文
02

The Decoder

Runway探索实时可控的AI视频生成

·#ai-video-generation

Runway探索实时可控的AI视频生成

Runway正在研究一种基于GWM-1的系统，在用户实时输入提示和控制指令时逐帧生成视频。该方法旨在用持续播放的交互式视频体验，取代输入提示后等待结果的工作流程。

如果能够稳定运行，实时生成将让创作者即时引导演化过程，减少反复等待，并降低每个输出结果的GPU成本。同样的能力还可用于交互式媒体、教育、游戏、机器人和自动驾驶模拟。

Runway展示了一项研究，目标是把AI视频生成变成用户可以边观看边控制的实时视频流。现有视频系统通常要求用户提交提示，等待几秒或几分钟，检查完成的视频，如果结果不理想就重新开始。Runway表示，反复生成和修改占用了用户大量时间，因此希望缩短生成首帧的等待时间，并在用户继续输入提示时持续输出视频。这项工作延续了公司此前在Runway Characters上的探索，并使用了Runway于2025年12月推出的首个通用世界模型GWM-1。

GWM-1构建于Gen-4.5之上，能够逐帧生成视频，并响应摄像机姿态、机器人指令和音频等控制；Runway还展示过名为Solaris的逐帧界面系统，它可以对点击或语音输入作出反应。Runway认为，更快的生成速度能够减少GPU使用时间，从而让更多交互式应用具备经济可行性，但系统必须解决连续帧中的误差不断累积这一问题。公司称，它会让模型在训练中接触自身生成的不完美输出，使模型学会纠正偏差；Runway还认为，实时世界模型可用于生成机器人训练数据，并在模拟环境中测试自动驾驶系统面对罕见情形时的表现。Runway曾与Nvidia合作，在Vera Rubin平台上展示一个目标为首帧延迟低于100毫秒的研究预览，但尚未公布产品发布时间表。

GWM-1构建于Gen-4.5之上，以自回归方式逐帧生成内容，并接受摄像机运动、机器人指令和音频等控制。核心技术难题是在多会话共享硬件的情况下，以足够快的速度生成画面，同时避免逐帧误差累积成严重变形；Runway尚未公布上线时间。

查看单篇正文查看原文
03

The Decoder

StudentSim通过逼真的模拟学生加速AI导师训练。

·#ai-tutoring

StudentSim通过逼真的模拟学生加速AI导师训练。

Microsoft Research与伊利诺伊大学厄巴纳-香槟分校开发了StudentSim，该系统能利用稀疏的学生记录创建个性化学习者副本。在涵盖国际象棋、英语写作和数学的60名学生测试中，这些副本既能复现个人常犯的错误，也能根据导师指导调整答案。

依赖真实学生反馈会使自适应导师的开发既昂贵又缓慢，因此可信的模拟系统有望显著加快教学策略的测试与改进。该方法可能帮助个性化教育系统了解不同学生如何回应讲解，而无须反复招募大量真实学习者。

自适应AI导师需要理解每名学习者的优势、弱点和典型错误，但从真实学生那里收集足够反馈既昂贵又耗时。StudentSim通过为每名学习者建立独立的语言模型副本来缓解这一瓶颈，即使某个人只有少量学习记录也能进行建模。该系统从两个维度衡量模拟效果：副本能否忠实复现学生的答案与错误，以及它能否根据导师的纠正指导修改答案。为应对数据稀缺问题，例如英语写作数据集中每名学生的作文数量中位数仅为三篇，系统先从同一学科所有学生的汇总数据中学习共同行为，再针对个人进行专门调整。

StudentSim以Qwen3-4B-Instruct为基础模型，并在国际象棋、英语作为外语和数学三个领域的60名学习者数据上接受测试。研究人员报告称，它在三个领域均优于通过提示扮演学生的GPT-5.4；在国际象棋任务中，它正确预测棋手下一步走法的次数约为后者的两倍，同时几乎总能遵循纠正性指导。在另一项概念验证实验中，职业棋手认为使用StudentSim训练的导师优于未经模拟学生训练的版本以及使用GPT-5.4扮演学生训练的版本，其严重事实错误更少，讲解评分也更高。

StudentSim先使用某一学科的汇总数据训练Qwen3-4B-Instruct基础模型，再利用单个学生的少量记录进行个性化调整，从而减少对少数样本的过拟合。现有评估仅涵盖60名学生和公开数据集，导师训练实验也只是概念验证，尚不能视为广泛的真实环境验证。

查看单篇正文查看原文