初创公司Luminal完成530万美元种子轮融资，由Felicis Ventures领投，多位知名投资人参与。公司由前英特尔芯片设计师联合创立，专注于优化计算资源，提升基础设施效率，解决软件易用性对开发者的制约问题。
【AI日报】聚焦AI热点，每日推送技术趋势与创新应用。本期重点：生数科技发布Vidu Q2模型，在图生视频领域实现突破，其细微表情生成技术显著提升AI演绎的真实感。栏目持续为开发者提供前沿资讯与产品动态。
火山引擎推出炉米Lumi平台，首次支持豆包、即梦等视觉模型的Lora微调功能，助力企业高效定制独特视觉风格。在Vibe Coding时代，用户注意力稀缺，视觉审美重要性凸显。但通用模型常难精准匹配需求，开源模型效果参差不齐，平台旨在解决这些痛点，满足市场对个性化视觉创作的需求。
标题： 上海 AI 实验室推出 Lumina-DiMOO，
Luminar Neo是一款先进的图像处理程序，借助AI轻松完善创意摄影作品。
通过AI聊天立即构建网站
Lumina-Video 是一个用于视频生成的初步尝试项目，支持文本到视频的生成。
Lumina 是一款专为研究而设计的人工智能搜索引擎。
Immac
NetaYume Lumina Image 2.0 是一个文本到图像的扩散模型，经过GGUF格式量化处理，能够将文本描述转换为图像。该模型经过优化，在保持生成质量的同时减少了内存使用和提升了性能。
TildeAI
TildeOpen LLM 是一个开源的基础语言模型，专门为服务代表性不足的北欧和东欧语言而设计。该模型由欧盟委员会资助，在LUMI超级计算机上训练，拥有300亿参数，解决了19种重点语言使用者在现有AI系统中面临的性能差距问题。
BackGwa
基于Stable Diffusion XL 1.0架构的动漫风格图像生成模型，融合Animagine XL 4和Nova Anime XL的优势
Koitenshin
本模型是基于mrcuddle/Lumimaid-v0.2-12B-Pixtral转换的GGUF量化版本，是一个12B参数的多模态模型，支持图像文本到文本的生成任务。通过llama.cpp工具进行格式转换和量化优化。
neta-art
Neta Lumina 是由 Neta.art Lab 开发的高质量动漫风格图像生成模型，基于 Lumina-Image-2.0 模型微调，具备强大的理解和解读能力。
LumiOpen
Poro 2 8B Instruct 是一个基于 Llama 3.1 8B 架构的指令遵循聊天机器人模型，专为芬兰语和英语的对话式 AI 应用设计。
Yntec
LusciousMix V2.5与SXZ Luma 0.98模型的融合版本，专注于高质量风格化图像生成
Alpha-VLLM
Lumina - mGPT 2.0 是一个独立的、仅解码器的自回归模型，统一了多种图像生成任务。
sayakpaul
这是一个基于Alpha-VLLM/Lumina-Image-2.0训练的DreamBooth LoRA权重，专门用于生成毛线艺术风格的图像。
suayptalha
Luminis-phi-4是通过mergekit工具合并多个预训练语言模型得到的文本生成模型，在Open LLM排行榜上表现优异，在参数不超过15B的模型中排名第3，在参数不超过32B的模型中排名第4
calcuis
Lumina的GGUF量化版本是一个专为生成优质图像而设计的模型，支持基于文本提示生成高匹配度的图像。
Lumina-Image 2.0 是一个基于流的扩散变换器模型，拥有20亿参数，专注于文本到图像的生成任务。
Undi95
Lumimaid与Magnum v4合并的12B参数大语言模型，采用DELLA合并方法并加入针对Claude输入优化的Nemo模型
aixonlab
Lumiere Alpha 是一个专注于提升真实感的文本生成图像模型，同时保持提示的连贯性和原始FLUX.1-Dev模型的构图。
Lumina-mGPT是一个多模态自回归模型家族，擅长执行多种视觉与语言任务，特别是根据文本描述生成灵活逼真的图像。
Lumina-mGPT 是一个多模态自回归模型家族，擅长根据文本描述生成灵活逼真的图像，并能执行多种视觉和语言任务。
Lumina-mGPT 是一个多模态自回归模型家族，擅长根据文本描述生成灵活逼真的图像，并能执行多种视觉与语言任务。
Chameleon-7b是基于Lumina-mGPT仓库转换的检查点模型，旨在简化模型初始化过程。
Lumina-mGPT 是一个多模态自回归模型系列，擅长根据文本描述生成灵活逼真的图像。
bartowski
Lumimaid-v0.2-123B是基于llamacpp的imatrix量化版本的大语言模型，参数量为1230亿。该项目提供了多种量化类型，让用户可以根据硬件资源和性能需求选择合适的模型版本，在保持模型质量的同时实现高效运行。
%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)
