初創公司Luminal完成530萬美元種子輪融資，由Felicis Ventures領投，多位知名投資人蔘與。公司由前英特爾芯片設計師聯合創立，專注於優化計算資源，提升基礎設施效率，解決軟件易用性對開發者的制約問題。
【AI日報】聚焦AI熱點，每日推送技術趨勢與創新應用。本期重點：生數科技發佈Vidu Q2模型，在圖生視頻領域實現突破，其細微表情生成技術顯著提升AI演繹的真實感。欄目持續爲開發者提供前沿資訊與產品動態。
火山引擎推出爐米Lumi平臺，首次支持豆包、即夢等視覺模型的Lora微調功能，助力企業高效定製獨特視覺風格。在Vibe Coding時代，用戶注意力稀缺，視覺審美重要性凸顯。但通用模型常難精準匹配需求，開源模型效果參差不齊，平臺旨在解決這些痛點，滿足市場對個性化視覺創作的需求。
標題： 上海 AI 實驗室推出 Lumina-DiMOO，
Luminar Neo是一款先進的圖像處理程序，藉助AI輕鬆完善創意攝影作品。
通過AI聊天立即構建網站
Lumina-Video 是一個用於視頻生成的初步嘗試項目，支持文本到視頻的生成。
Lumina 是一款專為研究而設計的人工智能搜索引擎。
Immac
NetaYume Lumina Image 2.0 是一個文本到圖像的擴散模型，經過GGUF格式量化處理，能夠將文本描述轉換為圖像。該模型經過優化，在保持生成質量的同時減少了內存使用和提升了性能。
TildeAI
TildeOpen LLM 是一個開源的基礎語言模型，專門為服務代表性不足的北歐和東歐語言而設計。該模型由歐盟委員會資助，在LUMI超級計算機上訓練，擁有300億參數，解決了19種重點語言使用者在現有AI系統中面臨的性能差距問題。
BackGwa
基於Stable Diffusion XL 1.0架構的動漫風格圖像生成模型，融合Animagine XL 4和Nova Anime XL的優勢
Koitenshin
本模型是基於mrcuddle/Lumimaid-v0.2-12B-Pixtral轉換的GGUF量化版本，是一個12B參數的多模態模型，支持圖像文本到文本的生成任務。通過llama.cpp工具進行格式轉換和量化優化。
neta-art
Neta Lumina 是由 Neta.art Lab 開發的高質量動漫風格圖像生成模型，基於 Lumina-Image-2.0 模型微調，具備強大的理解和解讀能力。
LumiOpen
Poro 2 8B Instruct 是一個基於 Llama 3.1 8B 架構的指令遵循聊天機器人模型，專為芬蘭語和英語的對話式 AI 應用設計。
Yntec
LusciousMix V2.5與SXZ Luma 0.98模型的融合版本，專注於高質量風格化圖像生成
Alpha-VLLM
Lumina - mGPT 2.0 是一個獨立的、僅解碼器的自迴歸模型，統一了多種圖像生成任務。
sayakpaul
這是一個基於Alpha-VLLM/Lumina-Image-2.0訓練的DreamBooth LoRA權重，專門用於生成毛線藝術風格的圖像。
suayptalha
Luminis-phi-4是通過mergekit工具合併多個預訓練語言模型得到的文本生成模型，在Open LLM排行榜上表現優異，在參數不超過15B的模型中排名第3，在參數不超過32B的模型中排名第4
calcuis
Lumina的GGUF量化版本是一個專為生成優質圖像而設計的模型，支持基於文本提示生成高匹配度的圖像。
Lumina-Image 2.0 是一個基於流的擴散變換器模型，擁有20億參數，專注於文本到圖像的生成任務。
Undi95
Lumimaid與Magnum v4合併的12B參數大語言模型，採用DELLA合併方法並加入針對Claude輸入優化的Nemo模型
aixonlab
Lumiere Alpha 是一個專注於提升真實感的文本生成圖像模型，同時保持提示的連貫性和原始FLUX.1-Dev模型的構圖。
Lumina-mGPT是一個多模態自迴歸模型家族，擅長執行多種視覺與語言任務，特別是根據文本描述生成靈活逼真的圖像。
Lumina-mGPT 是一個多模態自迴歸模型家族，擅長根據文本描述生成靈活逼真的圖像，並能執行多種視覺和語言任務。
Lumina-mGPT 是一個多模態自迴歸模型家族，擅長根據文本描述生成靈活逼真的圖像，並能執行多種視覺與語言任務。
Chameleon-7b是基於Lumina-mGPT倉庫轉換的檢查點模型，旨在簡化模型初始化過程。
Lumina-mGPT 是一個多模態自迴歸模型系列，擅長根據文本描述生成靈活逼真的圖像。
bartowski
Lumimaid-v0.2-123B是基於llamacpp的imatrix量化版本的大語言模型，參數量為1230億。該項目提供了多種量化類型，讓用戶可以根據硬件資源和性能需求選擇合適的模型版本，在保持模型質量的同時實現高效運行。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
