IT之家 12 月 19 日消息，科技媒體 9to5Mac 昨日（12 月 18 日）發(fā)布博文，報(bào)道稱蘋果研究團(tuán)隊(duì)近日發(fā)布多模態(tài) AI 模型 UniGen 1.5，成功在單一系統(tǒng)中集成了圖像理解、生成與編輯三大核心功能。

與主要依賴不同模型分別處理任務(wù)的傳統(tǒng)方案不同，UniGen 1.5 最大的突破在于構(gòu)建了一個(gè)統(tǒng)一的框架，僅憑一個(gè)模型即可同時(shí)完成圖像理解、圖像生成以及圖像編輯任務(wù)。研究人員認(rèn)為，這種統(tǒng)一架構(gòu)能讓模型利用強(qiáng)大的圖像理解能力反哺生成效果，從而實(shí)現(xiàn)更精準(zhǔn)的視覺輸出。

在圖像編輯領(lǐng)域，模型往往難以精準(zhǔn)捕捉用戶微妙或復(fù)雜的修改指令。蘋果團(tuán)隊(duì)為解決這一難題，首創(chuàng)引入了名為“編輯指令對(duì)齊”的后訓(xùn)練階段。

該技術(shù)并不直接讓模型修改圖片，而是要求模型先根據(jù)原圖和指令，預(yù)測(cè)出目標(biāo)圖像的詳細(xì)文本描述。這種“先想后畫”的中間步驟，迫使模型在生成最終圖像前，必須深度內(nèi)化用戶的編輯意圖，從而大幅提升了修改的準(zhǔn)確度。

這一中間步驟有助于模型在生成最終圖像之前更好地理解預(yù)期的編輯內(nèi)容。

除了指令對(duì)齊，UniGen 1.5 的另一大貢獻(xiàn)在于強(qiáng)化學(xué)習(xí)層面的創(chuàng)新。研究團(tuán)隊(duì)成功設(shè)計(jì)了一套統(tǒng)一的獎(jiǎng)勵(lì)系統(tǒng)，能夠同時(shí)應(yīng)用于圖像生成和圖像編輯的訓(xùn)練過程。

此前，由于編輯任務(wù)涉及從微調(diào)到重構(gòu)的巨大跨度，統(tǒng)一獎(jiǎng)勵(lì)機(jī)制極難實(shí)現(xiàn)，而這一突破讓模型在處理不同類型的視覺任務(wù)時(shí)，能夠遵循一致的質(zhì)量標(biāo)準(zhǔn)，顯著增強(qiáng)了系統(tǒng)的“抗干擾”性。

UniGen-1.5 的文本轉(zhuǎn)圖像生成和圖像編輯功能的一些示例

UniGen-1.5 的文本轉(zhuǎn)圖像生成和圖像編輯功能的一些示例

在多項(xiàng)行業(yè)標(biāo)準(zhǔn)基準(zhǔn)測(cè)試中，UniGen 1.5 展現(xiàn)了強(qiáng)勁的競爭力。數(shù)據(jù)顯示，該模型在 Geneval 和 DPG-Bench 測(cè)試中分別獲得 0.89 和 86.83 的高分，顯著優(yōu)于 BAGEL 和 BLIP3o 等近期熱門方法。

在圖像編輯專項(xiàng)測(cè)試 ImgEdit 中，其 4.31 的綜合得分不僅超越了 OminiGen2 等開源模型，更與 GPT-Image-1 等專有閉源模型表現(xiàn)持平。

盡管整體表現(xiàn)優(yōu)異，UniGen 1.5 目前仍存在一定局限性。研究人員在論文中坦承，由于離散去標(biāo)記器（discrete detokenizer）在控制細(xì)粒度結(jié)構(gòu)方面存在不足，模型在生成圖片內(nèi)的文字時(shí)容易出錯(cuò)。

圖 A 展示了 UniGen-1.5 在文本轉(zhuǎn)圖像生成和圖像編輯任務(wù)中的失敗案例。以上圖源：蘋果論文

此外，在部分編輯場景下，模型偶爾會(huì)出現(xiàn)主體特征漂移的問題，例如貓的毛發(fā)紋理改變或鳥的羽毛顏色偏差，這些問題將是團(tuán)隊(duì)未來的優(yōu)化重點(diǎn)。