阿里巴巴

ComfyUI v0.37.0 于 9 月 21 日发布，原生集成阿里 Qwen-Image 2.1，提供三个即用模板：文生图、图像编辑和背景移除，其中背景移除节点支持 alpha 通道输出；同日接入微软研究院 MoGe 3，在 ViT-L/ViT-G 骨干基础上增加稀疏体素精修，实现更精确的单目几何估计；Qwen3.5/3.8 文本编码器引入推测解码与 DeltaNet 内核加速；NVMe 快速磁盘加载降低本地多模型切换开销。次日发布 v0.37.1，合作节点新增 HunyuanVideo Image 3.5 Preview，支持最多 5 张参考图输入与原生 2K 输出。

ComfyUI v0.37 将 Qwen-Image 2.1 的图像编辑与背景移除能力直接引入节点工作流，对教学中的设计稿处理与品牌一致性演示具有直接适用价值；MoGe 3 几何估计节点对建筑与三维课程的 AI 辅助深度分析有实质性补充。

查看原始来源 ↗

阿里巴巴于2026年9月20日开源 Qwen-Image-2.1，一个7B参数的统一图像生成与编辑模型。核心能力包括原生 RGBA 透明通道支持，可直接产出带透明度的 PNG 设计素材；最多10张参考图像同时输入，提升主题与风格一致性；发布首日同步支持 ComfyUI 节点、Diffusers 和 vLLM 推理框架；统一架构覆盖文生图、图像编辑、图像理解三类任务。模型权重、代码与数据全部开源，支持商用。

开源7B图像生成模型首次原生支持 RGBA 透明通道，使排版、品牌素材与 UI 元素生成可直接输出可合成的 PNG；10图参考的一致性控制为 IP 和角色设计课题提供工程层面的精确控制手段，高校服务器可直接部署。

查看原始来源 ↗

阿里巴巴推出Wan3.0 Prime，作为Wan3.0全功能版的快速变体，在生成速度和成本之间做出权衡：API定价$0.06至$0.30/秒（根据分辨率和输出质量）。Wan3.0 Prime支持三类输入模式：文字描述直接转视频、静态图像转动态视频、以及音频驱动的视频生成（音乐或语音节奏同步生成视觉内容）。快速变体定位于高频调用和批量生产场景，与Wan3.0旗舰版形成差异化产品矩阵。

Prime快速变体与旗舰版并行的产品策略，反映了AI视频生成商业化中”质量-速度-成本”三角的精细化运营思路，也是平台满足不同用户群体需求的标配模式。

查看原始来源 ↗

ComfyUI v0.34系列更新（8月25日至26日）集中整合多个新模型：新增Pixal3D与TRELLIS2节点，支持从文本或图像直接生成三维网格和场景，构建本地3D生成管线；集成Recraft V4 Styles节点，支持1–10张参考图驱动的风格一致性图像生成；新增Gemini Omni 1.1 Flash视频生成节点（含4K和Draft Mode）；以及Wan3.0 Prime快速变体节点（$0.06–$0.30/秒定价）。单一版本系列内同时覆盖了图像生成、视频生成和3D生成三条核心创作管线。

ComfyUI v0.34系列的密集集成将平台定位从”图像生成工作流”进一步扩展为”多模态生成中枢”，3D管线的原生化是本轮更新的核心质变。

查看原始来源 ↗

ComfyUI v0.33.4 于 8 月 24 日发布，主要更新：阿里 Wan 3.0 原生工作流节点，支持 30 秒/1080p 视频生成及多模态输入（文档/PPT/PDF 转视频）；Meshy-7 Ultra 节点集成，最新 3D 生成模型直通 ComfyUI 工作流；字节跳动 vCube 视频增强节点，支持至 8K 超分+帧率增强；修复若干 UI 稳定性问题。

三项新增节点分别覆盖视频生成（Wan 3.0）、3D 资产（Meshy-7 Ultra）、视频后期（vCube 8K），合力将本地工作流的输出标准推向专业交付级别。

查看原始来源 ↗

阿里巴巴于8月24日正式向全球发布Wan3.0视频生成模型，主要规格：最长单次生成30秒，较上一代翻倍；新增多模态文档输入支持，用户可直接上传PDF、PPT或Word文件，模型将文档内容转化为视频叙事；API定价区间为$0.05至$0.20/秒，根据分辨率和质量档位浮动。Wan3.0同步开放了ComfyUI原生节点，支持与现有工作流无缝集成。与Seedance 2.5、Kling 3.5共同构成2026年国产AI视频模型的主流选项。

Wan3.0将文档作为原生视频输入格式，是AI视频生成从”纯创意工具”向”学术与工作场景实用工具”延伸的代表性进展。

查看原始来源 ↗

ComfyUI在8月7至13日连续发布三个版本：v0.31.0（8/7）原生支持Wan-Animate2（姿态+参考控制）、SeeDance 2.5/Seedream 5.0 Layer Separation伙伴节点、PSD风格分层合成（混合模式+图层状态）；v0.32.0（8/11）原生LTX 2.5 Partner Nodes + PyTorch 2.7最低要求；v0.33.1（8/13）原生支持MiniMax Music 3开源权重（歌词文本编码+音频生成）、Bria伙伴节点、修复MiniMax H3/LTX/KSamplerAdvanced已知问题。

ComfyUI三连更意味着8月发布的三款重要模型（Wan-Animate2/LTX-2.5/MiniMax Music 3）均已可在本地工作流直接调用

查看原始来源 ↗

阿里通义实验室Wan 3.0于8月6日开公测、8月10日杭州发布活动正式上线：单镜30秒（Wan 2.7为15秒上限）；全模态输入——PDF、PPT、Excel、网页均可作为输入源，生成文档转视频；API计价¥0.30–1.20/秒（480P–1080P）。暂无开权重。

中文API定价、全文档输入、国产生态，直接对应对影视与建筑动画方向的学员价值显著。

查看原始来源 ↗

阿里通义 Wan-Animate-2（14B Diffusion Transformer）8月7日以 Apache 2.0 协议开源：直接吃原始视频潜变量，省去骨架姿态提取，Lite 版 24fps 可实时运行；内置 ComfyUI 原生节点，开箱即用；盲测超越可灵 MotionControl，适用于时尚服装动态展示、叙事插画角色演绎、虚拟主播与 Avatar 动作捕捉迁移等场景。

Apache 2.0+本地运行+ComfyUI 即插即用，是本年度对高校工作营最友好的开源角色动画里程碑——学生无需调 API、不受商业配额限制，下周就能在实验……

查看原始来源 ↗

阿里在 Qwen-Image-3.0（7月21日发布，已入池）基础上推出 Pro 版本，重点强化 10px 文字渲染精度（毛孔/发丝/微表情细节），注入更丰富的世界知识（地标/品牌/符号可信度），Qwen 团队自评全球排名第五。已上线阿里云灵积 API 平台与 OpenRouter，无公开权重/基准测试报告。

Qwen-Image 系列已是设计流程中排名靠前的可用图像模型

查看原始来源 ↗

阿里通义万象第三代图像生成模型 Qwen-Image-3.0 正式发布；核心突破：4.5K token 超长指令输入支持复杂多区域版面、10px 小字清晰可辨（文字渲染精度显著提升）、12 国语言原生渲染（含中文）、100+ 种艺术风格一键切换；多家媒体已实测与 GPT-Image-2 的全面对比。

Qwen-Image-3.0 的文字渲染精度与超长指令支持，使其具备处理信息图表、品牌物料等真实设计交付需求的能力，推动 AI 图像生成进入生产力交付阶段。

查看原始来源 ↗

阿里巴巴发布Qwen-Audio-3.0-TTS语音合成大模型，分为两个版本：Flash版面向实时交互场景，首包延迟达300ms量级；Plus版面向高质量生成场景，在全球权威评测榜单Artificial Analysis中排名第一。两个版本均支持细粒度情绪/节奏/语气标签控制、freestyle自然语言指令遵循、20种中文方言以及多语种输出，将AI语音合成从”能说话”推进至”会表达”的能力层级。

AI语音合成是视频创作、数字人和有声内容工作流的核心组件，300ms首包延迟接近实时门槛，20种方言覆盖为多元地域内容生产打开空间。

查看原始来源 ↗

GMI Cloud联合阿里巴巴HappyHorse在WAIC 2026期间举办的「无界造物节」全民AI创作赛事完成决赛收官；AI Coding赛道参赛作品涵盖智能运营Agent和低代码工具；AI Video赛道依托HappyHorse全链路AI视频创作能力，参赛者在云端完成从脚本生成到成片输出的全流程；整体赛事以MaaS（Model as a Service）平台为底座，展示非技术用户实现完整AI视频创作的可行路径。

「无界造物节」是WAIC 2026期间面向大众创作者的典型AI创作竞赛案例，直观体现了MaaS平台将AI视频全流程能力普惠化的实际落地场景。

查看原始来源 ↗

阿里通义实验室发布实时全双工多模态模型 Wan-Streamer v0.2，将「听、看、说、演」四类感知与表达能力统一进单个 Transformer 架构，端到端交互延迟约 0.55 秒；相比 v0.1 版本延迟大幅降低，可实现 AI 在视频通话中边听边看边实时回应。

550ms 端到端延迟是 AI 视频通话趋近实用门槛的关键指标；统一多模态 Transformer 区别于分离模块架构，与 MiniMax H3 和 Gemini Omni 并行出现，指向多模态实时交互领域的技术路线正在趋同。

查看原始来源 ↗

arXiv 论文 2606.25041 提前公布 Wan-Streamer v0.1，这是一个面向实时音视频流数字人场景的端到端生成框架：输入实时音频流，直接输出可流式传输的数字人视频，覆盖音频驱动、唇形同步与实时编码全链路，无需离线分段渲染。优设同期跟进了技术解读。

端到端流式架构将数字人生成从「离线渲染后播放」推向「实时流媒体直推」范式，对直播、客服、数字主播等场景的工程化落地路径有直接参考价值。

查看原始来源 ↗

快手旗下可灵 AI 于 7 月 3 日宣布完成近 30 亿美元（约 196 亿元人民币）独立融资，腾讯、阿里、百度历史性联合领投——三家此前长期竞争的互联网巨头同台入股同一标的；投后估值约 180 亿美元。可灵 AI 年化营收（ARR）从 2.4 亿美元增至 5 亿美元（三个月翻倍），同步签署 5 年 IPO 对赌协议并启动独立商业化。消息由中英文 8 个以上媒体信源同步确认。

中国三大互联网巨头同时投资同一 AI 视频独角兽，打破常规竞争格局，是国内 AI 视频赛道商业化验证阶段的标志性资本事件。

查看原始来源 ↗

阿里 Qwen 团队发布 Qwen-Image-2.0-RL（arXiv:2606.27608），通过 GRPO 强化学习与在线策略蒸馏（OPD）构建三套奖励模型——图文对齐、美感、肖像——赋予图像生成模型更强的「审美判断」能力；技术方案含混合 CFG 策略、异步奖励管道与提示词筛选工程；文生图 Elo 从 1115 升至 1193（+78），图像编辑 Elo 从 1256 升至 1349（+93），在评测界属显著提升。

「用强化学习训练 AI 审美」的技术路径对艺术设计×AI 领域研究有直接方法论参考价值：如何定义可量化的「美感奖励」、如何让模型从人类偏好数据中习得审美判断，是生成式 AI 艺术研究的核心方法论问题；arXiv 全文适合研究生与教研方向师生作为前沿参考阅读。

查看原始来源 ↗

Sky Computing Lab 于 2026 年 6 月 24 日开源 FastWan-QAD（量化感知蒸馏）方案，针对 Wan 系列视频生成模型进行轻量化优化：在单张 RTX 5090 显卡上可实现端到端 1.8 秒生成 5 秒 480P 视频，相较标准版本大幅降低了对高端多卡配置的硬件依赖；模型权重与推理代码均已完整开源，可直接用于本地部署。

大幅压缩推理延迟与硬件门槛的开源方案，是 AI 视频生成向更低成本个人与教学环境延伸的代表性案例；对需要本地运行视频生成工作流、控制硬件成本的研究与教学场景有直接参考价值。

查看原始来源 ↗

2026 年 6 月 24 日，ComfyUI 发布 v0.26.0 版本，在单次更新中同时接入三个新开源模型：Krea 2（提供 Raw 与 Turbo 两个权重变体，Raw 版适合 LoRA 微调训练，Turbo 版支持 8 步蒸馏推理）、Boogu-Image（采用 Qwen3-VL-8B 作为文本编码器，配套 TextEncodeBooguEdit 节点支持局部图像编辑）以及 Qwen3-VL（4B 与 8B 两档，支持文本生成与图像理解）；同时新增 Load3DAdvanced 3D 网格加载节点、LTX2 视频上下文窗口采样器，工作流模板版本升至 0.9.26。

ComfyUI 以单次版本更新接入三个最新开源模型，延续了其作为开源生成生态聚合枢纽的角色——用户升级版本即可本地获取多个最新模型的运行能力，是当前开源图像与视频工作流可及性持续下沿的直接体现。

查看原始来源 ↗

阿里于 2026 年 6 月 22 日发布 HappyHorse 1.1 版本更新，在五个维度进行了针对性提升：动态表现力、9 张图像角色一致性、复杂场景指令遵循、视觉质感和音频口播能力；同步宣布启动 Horsepower AI 影像大赛，邀请著名影视制作人张纪中出任评委之一。

HappyHorse 在角色一致性和复杂场景指令方向的持续升级，对关注国产视频生成模型能力演进或正在评估 AI 视频工具用于教学实验的师生有参照意义。

查看原始来源 ↗