Categoria
55 voci
OpenAI chiude l'app Sora il 26 aprile 2026; l'API Sora 2 sarà spenta il 24 settembre. Costi operativi stimati attorno a $1M/giorno, shift di compute verso ChatGPT/GPT-5.5 e core enterprise.
Google rilascia Nano Banana 2 (alias Gemini 3.1 Flash Image): rendering testi più fedele, coerenza fino a 5 personaggi e 14 oggetti, default per generazione immagini in app Gemini, Flow, Lens e Search AI Mode.
Google rilascia Veo 3.1 e Veo 3.1 Lite: generazione video con "ingredients" (riferimenti multipli per character/scene consistency), output 1080p/4K, formato verticale per Shorts. Veo 3.1 Lite è la versione cost-effective.
Runway lancia Gen-4: generazione video 5-10s con coerenza di personaggi, oggetti e ambienti tra clip diverse. Risolve il problema-chiave per produzione di corti AI: il personaggio rimane sé stesso scena dopo scena.
Al Google I/O 2025, DeepMind presenta Veo 3 (video generation con audio nativo, dialoghi, effetti), Imagen 4 (immagini più dettagliate) e Flow (tool video AI per creativi).
MiniMax lancia Hailuo Video con generazione 1080p da 6 secondi con motion photography realistico e camera shake naturale, risultati comparabili a Veo 2 nei test pubblici.
Alibaba estende WanVideo 2.1 con capacità di editing video strutturato: inpainting video, rimozione oggetti e style transfer con coerenza temporale tra frame consecutivi.
Black Forest Labs lancia FLUX1.1 [pro] Ultra: 4 megapixel nativi (2K+), 10s di latenza, e modalità 'Raw' che produce immagini meno 'AI look' più simili a fotografia reale.
Midjourney lancia la v7 con nuovi token di personalizzazione, draft mode per iterazione rapida e consistenza di stile migliorata tra prompt diversi. Fotorealismo ai massimi livelli per il servizio.
Alibaba rilascia WanVideo 2.1, modello open source da 14B parametri per T2V e I2V con qualità competitiva rispetto a Sora e costo operativo drasticamente inferiore, disponibile su HuggingFace.
Tencent rilascia i pesi completi di Hunyuan Video 13B: modello text-to-video con 720p, clip da 5 secondi, competitivo con Sora e Kling. Il modello video open source piu capace al momento del rilascio. Abilita generazione video high-quality self-hosted per la prima volta.
Alibaba/Wanx rilascia Wan 2.1 su Hugging Face: 14 miliardi di parametri, video 720p fino a 81 frame, superando tutti i precedenti modelli video open source in qualità e lunghezza.
Google DeepMind annuncia Veo 2, modello text-to-video con output fino a 4K e clip da 2 minuti, e aggiorna Imagen 3, pubblicati su VideoFX/ImageFX e poi nel Gemini app stack.
OpenAI rilascia Sora Turbo per utenti ChatGPT Plus/Pro: video fino a 20s, 1080p, image-to-video, remix, storyboard. Versione più veloce e meno fedele del Sora demo di febbraio.
Kuaishou aggiorna Kling a 1.5: video fino a 3 minuti a 1080p, controllo del movimento della camera, sincronizzazione labiale e motion brush per animazioni guidate.
Adobe lancia il Firefly Video Model: generazione video da testo e immagine addestrata esclusivamente su contenuti licensed e di pubblico dominio. Integrato nella timeline di Premiere Pro. Primo generatore video enterprise con piena indennizzo IP commerciale.
Leonardo AI lancia Phoenix, il suo modello interno con coerenza stilistica avanzata, color grading dinamico e prompt upsampling automatico per risultati professionali con input semplici.
Stability AI rilascia SD 3.5 Large (8B) e Large Turbo: migliorata aderenza ai prompt e fotorealismo rispetto a SD 3, inferenza in 4 step per il Turbo. Primo rilascio completamente open di SD 3.x sotto nuova licenza community.
Pika lancia la versione 2.0 con scene consistency su clip multiple, video inpainting, SFX automatici generati dal contenuto del video e audio sincronizzato ai movimenti.
Black Forest Labs, fondata da ex-team Stability AI, lancia Flux 1.0 con architettura flow matching a 12 miliardi di parametri, stabilendo nuovi standard open source su prompt adherence e qualità visiva.
Black Forest Labs lancia FLUX.1 con architettura Rectified Flow Transformer che supera SD3 e Midjourney v6 su fotorealismo e aderenza al prompt. I pesi [dev] sono rilasciati Apache 2.0.
Zhipu AI rilascia CogVideoX 5B e 10B: modello text-to-video open source con architettura 3D full attention, 720p, clip da 10 secondi con alta coerenza del movimento. Primo modello cinese open source che compete con Sora e Kling. Pesi disponibili su HuggingFace.
Runway lancia Gen-3 Alpha con controllo di camera motion tramite prompt, temporalità programmabile e video HD 10 secondi di qualità cinematografica mai vista prima nei modelli pubblici.
Luma AI lancia Dream Machine, modello text-to-video accessibile via web a tutti gratis (con coda), 5 secondi a clip a 1280×720 — risposta consumer a Sora ancora non disponibile.
Microsoft rilascia Florence-2, un vision foundation model unificato che gestisce caption, object detection, segmentazione e OCR con un'unica architettura sequence-to-sequence prompt-based.
Kuaishou lancia Kling AI, modello video capace di generare clip 1080p fino a 2 minuti con fisica e motion coerenti, competitivo con Sora nelle dimostrazioni pubbliche.
Ideogram 2.0 stabilisce nuovo standard per il text rendering nelle immagini AI: testo multi-parola accurato, loghi, insegne. Introduce magic prompt e modalita fotografia realistica. Supera DALL-E 3 e Midjourney sull'accuratezza tipografica.
Stability AI annuncia SD3 con architettura Multi-Modal Diffusion Transformer (MMDiT), rendering testo competitivo con Imagen 2 e DALL-E 3, qualità visiva superiore a SDXL.
Stability AI rilascia SVD 1.1 con fine-tuning per video multi-frame da immagine singola, MotionID per il controllo dell'intensità del movimento e pesi open source su HuggingFace.
ComfyUI supera le 30.000 stelle su GitHub, affermandosi come interfaccia de facto per workflow Stable Diffusion avanzati grazie al sistema visuale a nodi e alla community attivissima.
OpenAI annuncia Sora, modello text-to-video che produce clip 1080p fino a 60 secondi con coerenza temporale, fisica plausibile e camera movement realistici. Rilascio limitato a red-teamer e selezionati artisti.
Ideogram AI lancia la versione 1.0 con rendering del testo superiore a Midjourney e DALL-E 3, template per design e poster, e un'interfaccia orientata al branding.
Ideogram lancia la versione 1.0 stabile con text rendering eccellente, colmando il punto debole storico di tutti i modelli diffusion precedenti nel generare testo coerente nelle immagini.
Pika Labs lancia Pika 1.0: piattaforma consumer per generazione video da testo o immagine, animazione di regioni specifiche, controllo aspect ratio. Raggiunge 500k utenti Discord. Finanziata da Khosla Ventures a 55 milioni di dollari.
Tsinghua University pubblica LCM: distillazione di un diffusion model che riduce il campionamento da 50 passi a 4 con perdita minima di qualita. LCM-LoRA porta ogni modello SD a 10x velocita. Prima tecnica per generazione real-time su hardware consumer.
LLaVA-1.5 combina CLIP ViT-L, un MLP projection a due strati e Vicuna per superare 11 benchmark multimodali usando solo 1.2M di dati di fine-tuning.
OpenAI lancia DALL-E 3 integrato in ChatGPT: aderenza al prompt drasticamente migliorata rispetto a DALL-E 2, caption synthesis automatica per il training, testo nelle immagini più leggibile.
Adobe lancia Firefly 1.0 GA, primo modello image generation addestrato solo su contenuti licenziati, integrato in Photoshop come Generative Fill per uso commerciale sicuro.
Tencent AI Lab pubblica IP-Adapter, un adapter leggero per Stable Diffusion che condiziona la generazione su un'immagine reference senza riqualificare il modello base.
Shanghai AI Lab pubblica AnimateDiff: un motion module plug-in che aggiunge consistenza temporale a qualsiasi checkpoint SD esistente, trasformando ogni modello image-only in un generatore video senza riaddestrarlo.
Stability rilascia SDXL 1.0 (base 3.5B + refiner 6.6B), output 1024×1024 nativi, prompt più corti. Open source con licenza commerciale, pesi su HuggingFace.
Stability AI lancia SDXL 0.9 beta con architettura dual-encoder e modello refiner separato per immagini 1024x1024 di qualità fotografica.
Runway lancia Gen-1: il primo modello commerciale che applica uno stile visivo testuale o da immagine di riferimento a un video esistente, frame per frame. Precursore della linea Gen-2/Gen-3.
Zhang et al. presentano ControlNet, un adapter che aggiunge controllo di posa, profondità e bordi a Stable Diffusion senza modificare i pesi del modello base.
Stability AI rilascia SD 2.0 con OpenCLIP al posto di CLIP, risoluzione nativa 768x768, nuovo modello depth2img e inpainting migliorato. Rilascio controverso per rottura della compatibilità con LoRA e prompt esistenti.
Il Weizmann Institute pubblica Textual Inversion: apprendimento di un nuovo token testuale che rappresenta un concetto custom a partire da 3-5 immagini, senza modificare i pesi del modello.
Una settimana dopo Make-A-Video, Google Research presenta Imagen Video e, nello stesso periodo, Phenaki: due approcci diversi al text-to-video, con clip più lunghe e coerenti.
Meta AI mostra Make-A-Video, un sistema che genera brevi clip animate a partire da una descrizione testuale, riutilizzando un modello text-to-image pre-esistente.
Google Research pubblica DreamBooth: fine-tune di un diffusion model su 3-5 immagini di un soggetto specifico per riprodurlo in qualsiasi contesto o stile. Fondamento di tutta la generazione AI personalizzata.
Stability AI rilascia pubblicamente pesi e codice di un modello latent diffusion text-to-image che gira anche su una GPU consumer. La generazione di immagini AI lascia il cloud.
OpenAI apre DALL-E 2 in beta a oltre un milione di utenti dalla waitlist, con sistema di crediti pay-per-image. Primo prodotto consumer su larga scala di generazione di immagini.
Midjourney apre la sua beta pubblica con un modello text-to-image accessibile via bot Discord. Lo stile estetico marcato e la community trasformano la generazione di immagini in fenomeno di massa.
Google Research presenta Imagen, un modello di diffusione text-to-image che usa un encoder testuale T5 congelato e ottiene fedeltà fotorealistica superiore a DALL-E 2 sui benchmark.
OpenAI annuncia DALL·E 2, un modello text-to-image basato su diffusion che produce immagini fotorealistiche a 1024×1024. Accesso inizialmente via waitlist, poi pubblico a luglio.
OpenAI pubblica GLIDE, modello text-to-image basato su diffusion con classifier-free guidance, fondamento tecnico di DALL·E 2 e dei modelli che seguiranno.