新智元报道
编辑：犀牛好困
你永远无法精确描述出梵高的笔触或王家卫的光影。AI 创作的未来，是让 AI 直接「看懂」你的灵感，而不是去揣摩你的指令。
AI 图像模型杀疯了！
年初，GPT-4o 引爆了一股「吉卜力」热潮。
最近，全网更是玩疯了 Nano Banana 生成的 3D 手办。
虽然但是，不知道你有没有发现一个「华点」：
这些统一生成与编辑，更多都是在卷指令编辑与实体概念的组合生成；如果想作为智能创作工具，实际上还差着不少。
-
当语言变得苍白无力。
想象一下，你希望将一张照片中人物的背包，换成另一张照片里裙子的那种图案。你该如何用语言，向 AI 精确描述那种复杂而不规则的波西米亚风格图案呢？
答案是：几乎不可能。
-
当灵感并非实体物体。
更进一步，当你想借鉴的不是物体，而是一种抽象的「感觉」——
例如，一张老照片独特的「复古胶片感光影」，或者一种特定画家的「笔触风格」时，那些只擅长提取和复制一个具体的「物体」的模型便会束手无策。
要是 AI 既能听懂人话，又能精准 Get 这些抽象的风格，那该多好！
最近，这个瓶颈被港科大贾佳亚带领的 AI 研究团队给捅破了，Github 两周揽星 1.6K，被很多国外创作者分享在 YouTube 和论坛上，引发大量讨论。
在这一篇名为「DreamOmni2: Multimodal Instruction-based Editing and Generation」的论文中，AI 掌握了针对「抽象概念」的多模态编辑与生成能力。
·论文地址：
https://arxiv.org/html/2510.06679v1
·项目主页：
https://pbihao.github.io/projects/DreamOmni2/index.html
·代码仓库：
https://github.com/dvlab-research/DreamOmni2
基于强大的 FLUX Kontext 模型，DreamOmni2 在保留顶尖文生图与指令编辑能力的基础上，被赋予了处理多个参考图像的全新能力，使其成为更加智能的创作工具。
它不仅在传统任务上显著优于现有的开源模型，更在全新的抽象概念处理任务上，展现出超越谷歌最强 Nano Banana 的实力。
开源版 Nano Banana，但更强
光说不练假把式，我们直接上实测。
首先来个经典的：输入一个产品，然后让角色来「带货」。
Prompt：
The character from the first image is holding the item from the second picture.
让图 1 里的角色，拿着图 2 里的物品。
这表情、这头发、这手指的细节，以及衣服的质感，简直完美有没有。
而且，产品本身也得到了很好的融入。
接下来，我们再试试三次元里的效果——让模型把图 1 中的男子，替换成图 2 中的女子。
结果出炉！
可以看到，在生成的图片中，背景的山峦和赛博感的光线效果几乎完美继承，人物身前的文字更是毫无影响。
人物方面，衣服和发型基本和原图 2 一致，面部的光线则模仿了图 1 中的效果。
可以说是十分惊艳了。
说到光线渲染，我们加大难度，让模型把图 2 中的红蓝风格，迁移到图 1 上。
Prompt：
Make the first image has the same light condition as the second image.
让图 1 的光照和图 2 保持一致。
没想到，DreamOmni2 不仅保持了图 1 原有的像格栅一样的光照，融合之后的红蓝对比也十分强烈。
相比之下，GPT-4o（下图左）只迁移了色调，光影效果没有保留。Nano Banana（下图右）只能说稍稍变了点色，但不多。
风格迁移更是手拿把掐。
Prompt：
Replace the first image have the same image style as the second image.
将图 1 处理成与图 2 相同的风格
像素风的鸡——搞定。
二次元风的小姐姐——搞定。（太美了）
图案、文字，也通通不在话下。
Prompt：
On the cup, "Story" is displayed in the same font style as the reference image.
在杯子上用参考图里的同款字体显示“Story”字样
不仅如此，DreamOmni2 也十分擅长对动作进行模仿。
Prompt：
Make the person from the first image has the same pose as person from the second image.
让图 1 里的人，模仿图 2 中的姿势
在 DreamOmni2 生成的结果中，胳膊和腿的动作基本完美复刻了图2。
但有些遗憾的是，人物的方向和手部的细节略有不同。
不过，相比起在语义理解上出了大问题的开源模型 FLUX Kontext，那强了可不是一星半点。
如下图所示，显然，Kontext 完全没有搞懂什么「第一张图」、「第二张图」，以及还要调整姿势什么的，于是干脆复制了一遍图 2 完事。
闭源模型这边，GPT-4o（下图左）的动作模仿比较到位，但面部的一致性不太好。
而 Nano Banana（下图右）就有点抽象了，生生造出了个「三体人」：）
除了身体上的动作，DreamOmni2 在面部微表情，以及发型这块编辑，也是又准又稳。
Prompt：
Make the person in the first image have the same expression as the person in the second image.
让图 1 里的人，做出和图 2 相同的表情。
嘴巴张开的大小、眼睛眯成的缝，简直一模一样，可以说是非常灿烂了。
这种效果如果像要靠语言去形容，恐怕是很难做到的。
Prompt：
Make the person in the first image have the same hairstyle as the person in the second image.
给图 1 里的人换上和图 2 中一样的发型
不管是背景的沙发，还是人物的动作、衣服，都一点没变；只有头发从黑色短发变成了长长的金色卷发。
注意看脖子，因头发遮挡而带来的阴影，也一并呈现了出来。
值得一提的是，DreamOmni2 的多图编辑能力非常强。
比如，让图 1 的鹦鹉戴上图 2 的帽子，模仿图 3 中的氛围与色调。
可以看到，从鹦鹉的羽毛、帽子颜色，到整个背景的氛围都很好的复刻了上图中的火箭图片。
再上点难度：一下子输入 4 张图，然后让模型把前 3 张图组合起来，并改成图 4 的风格。
不管是女生衣服上的条纹、男生脸上的络腮胡，还是小狗的品种，都完美地迁移了过去。
同时，画中的笔触和色彩运用，也得到了比较忠实的呈现。
国外的网友们在体验之后，纷纷表示惊艳。
甚至还有人出了一期教程，直言「别再用 Nano Banana 了，DreamOmni2 ComfyUI 才是最强的免费工作流！」
更多实测可见：
· Huggingface Editing Demo:
https://huggingface.co/spaces/wcy1122/DreamOmni2-Edit
·Huggingface Generation Demo:
https://huggingface.co/spaces/wcy1122/DreamOmni2-Gen
·Video Demo:
https://www.youtube.com/watch?v=8xpoiRK57uU
实验验证
当 AI 学会了「照样子改」
为了真实展现 DreamOmni2 性能，研究团队专门打造了一个全新的 DreamOmni2 基准测试集，包括 205 个多模态指令式编辑测试用例和 114 个指令式生成测试用例。
考察的重点便是多模态指令生成以及「抽象属性」和「具体物体」的混合编辑。
DreamOmni2 基准测试中多模态指令生成及编辑示例
在多模态指令编辑测试中，相比于业界顶流 GPT-4o 和 Nano Banana，DreamOmni2 显示出了更精确的编辑结果和更好的一致性。
除了编辑指令的执行率之外，GPT-4o 和 Nano Banana 在编辑时还会存在一些小问题，例如，经常引入意料之外的改动或不一致。比如，你让它换个姿势，它连衣服都给你换了。
在纵横比方面，GPT-4o 只支持三种输出，而 Nano Banana 的则难以控制。
更有趣的是，GPT-4o 处理过的图片还会「蜜汁发黄」。
相比之下，这些问题在 DreamOmni2 上都是不存在的。
多模态指令编辑的视觉比较
在定量分析的表格里，也反映出了这些问题。
DreamOmni2 在「具体物体」和「抽象属性」上的得分都是最高的，一些方面超过了 GPT-4o 和 Nano Banana。
在多模态指令生成方面，DreamOmni2 表现同样惊艳。
实测结果表明，此前的开源模型在生成抽象属性方面十分困难。
例如下图第四行，将照片中的狗抽象成右边的素描风格，几个开源模型几乎是「无动于衷」。
相比之下，DreamOmni2 不仅显著领先开源模型，而且还达到了与 GPT-4o 和 Nano Banana 相当甚至更好的水平。
多模态指令生成可视化对比
定量评估中，DreamOmni2 也在人工评估和 AI 模型评估中均优于商业模型 Nano Banana，取得了与 GPT-4o 相当的结果。
在生成准确性和对象一致性方面也要优于一众开源模型，即使在这些开源模型的专业领域内也是如此。
数据构建
从零开始，融合视觉灵感
要实现如此强大的功能，最大的挑战在于训练数据。
显然，这个世界上并不存在海量的「（源图像+参考图像+指令）-> 目标图像」这样的现成数据对。
为了解决这一问题，研究团队设计了一套的三阶段数据构建范式，为 DreamOmni2「量身定制」了高质量的教材。
第一阶段：创造高质量的概念对
团队利用基础模型的文生图能力，提出了一种新颖的特征混合方案。
它可以在生成图像的过程中，交换两个生成分支之间的注意力特征，从而创造出包含相同具体物体或相同抽象属性的高质量图像对。
相比于过去将两张图拼接在一起的方法，这种方案生成的图像分辨率更高，质量更好，且完全避免了边缘内容混淆的问题。
第二阶段：生成多模态「编辑」数据
利用第一阶段的数据，团队首先训练了一个「提取模型」。这个模型能从一张图像中精准「提取」出某个物体或某种抽象属性，并根据指令生成一张新的参考图。
随后，他们利用一个基于指令的编辑模型，对目标图像中提取出的物体或属性进行修改，从而创造出「源图像」。
这样一来，一个完整的编辑训练数据对就诞生了：（源图像 + 编辑指令 + 参考图像）-> 目标图像。
第三阶段：创建多模态「生成」教材
在第二阶段的基础上，团队再次使用「提取模型」，从源图像中提取出更多物体或属性，生成更多的参考图像。
这样，就构成了用于多模态生成的训练数据：（多张参考图像 + 生成指令）-> 目标图像。
通过这个三阶段流水线，团队成功构建了一个多样化、高质量的综合数据集，涵盖了对具体物体和抽象属性（如局部和全局属性）的生成和编辑，并且支持多个参考图像输入。
多模态指令编辑和生成训练数据的分布和样本
框架革新
让模型真正理解多图像输入
有了数据，还需要一个能「消化」这些数据的模型框架。
然而，当前 SOTA 的统一生成和编辑模型（如 FLUX Kontext），并不支持多图像输入。
为此，团队对框架进行了两项关键创新，以及相应的训练机制：
1. 索引编码与位置编码移位
为了让模型能够准确区分多个参考图像并理解指令中对它们的引用（例如，图像1、图像2），引入了索引编码（Index Encoding）和位置编码偏移方案（Position Encoding Shift Scheme）。
其中，索引编码可以帮助模型识别输入图像的索引，而位置编码则会根据先前输入的大小进行偏移，从而防止像素混淆和生成结果中出现复制粘贴的伪影。
这两者结合，让模型能够清晰、准确地处理多图像输入。
2. 视觉语言模型（VLM）与生成模型的联合训练
现实世界中，用户的指令往往是不规范、甚至逻辑混乱的；而模型训练时用的指令却是结构化的。
为了弥合这一鸿沟，团队创新性地提出了一种联合训练方案，显著提升了模型理解用户意图的能力，增强了在真实应用场景中的性能。
具体来说，他们让一个强大的 VLM（Qwen2.5-VL）先来理解用户的复杂指令，并将其「翻译」成模型能理解的结构化格式，最后再交由生成/编辑模型去执行。
3. LoRA 微调
在训练策略上，团队采用了 LoRA 微调方法。这样做的好处是，可以在不影响模型原有强大能力的基础上，使其多模态能力（多图输入和编辑/生成）能够在检测到参考图像时无缝激活，同时保留了基础模型的原始指令编辑能力。
AI 创作的下一个前沿
DreamOmni2 的出现，代表了 AI 创作工具发展的一个重要方向：从单一的语言模态，走向真正的多模态、多概念融合。
研究团队则通过提出两项全新的、高度实用的任务，并为此构建了完整的数据流水线和创新的模型框架，成功地推动了生成式 AI 的技术边界。
对于设计师、艺术家和每一个热爱创作的普通人来说，一个更加智能、更加全能的创作时代，正加速到来。
https://arxiv.org/html/2510.06679v1
https://pbihao.github.io/projects/DreamOmni2/index.html
https://github.com/dvlab-research/DreamOmni2
https://huggingface.co/spaces/wcy1122/DreamOmni2-Edit
https://huggingface.co/spaces/wcy1122/DreamOmni2-Gen
https://www.youtube.com/watch?v=8xpoiRK57uU
