您现在的位置是：网站首页>篮球篮球

电玩城196官方网站

邵翠容 2025-05-13 【篮球】 0351 人已围观

ModelScope团队 投稿量子位 | 公众号 QbitAI

OpenAI GPT-4o发布强大图片生成能力后⑦，业界对大模型生图能力的探索向全模态方向倾斜④，训练全模态模型成研发重点⑬。

开源的MLLMs和扩散模型已经过大规模预训练⑪，其从零开始训练统一任务③，不如取长补短▓，将MLLMs的语言建模能力⑪，与扩散模型的像素级图像建模能力⑪，进行有机的结合⑭。

基于这个思路⑯，ModelScope团队提出可同时完成图像理解⑫、生成和编辑的统一模型Nexus-Gen①，在图像质量和编辑能力上达GPT-4o同等水平⑥，并将成果全方位开源⑫，望引发开发者讨论④，促进All-to-All模型领域发展⑤。

模型先进行图像生成⑭，然后进行图像理解的可视化案例：

Nexus-Gen技术细节

总体框架⑨、Nexus-Gen采用了与GPT-4o类似的 token → [transformer] → [diffusion] → pixels 技术路线⑧，融合了SOTA MLLMs的强大文本预测能力和Diffusion模型的强大图像渲染能力③，其总体架构如图所示②。

作为一个All-to-All模型⑤，Nexus-Gen的输入和输出都支持图像和文本模态⑪，自回归Transformer输出的文本Token进行分类后解码成对应的输出文本❶。而输出的视觉Token的embeddings则会作为条件输入给Vision Decoder中解码为输出图像⑳。

之前的All-to-All模型大多直接使用自回归Transformer直接对图像的像素空间进行建模⑰，然后用VAE等模型解码为图像⑱，导致图像质量较差⑤。

为了保证图像质量③，Nexus-Gen选择在高维特征空间对图像进行建模⑮，并选择SOTA的扩散模型作为视觉解码器⑦。

相比于处理单一任务的模型▓，All-to-All模型的潜力在于图像理解⑦、生成⑩、编辑等任务可以相互促进⑥、互相组合

为了完成这一目标❸，将模型的输入和输出特征空间限定在同一个连续高维特征空间⑬，统一使用Vision Encoder编码图像得到高维特征⑥。对于理解任务①，这些特征直接输入模型中作为先验⑰。对于生成任务❶，这些特征则作为真值指导模型的训练❸。

预填充自回归策略⑭、在训练阶段⑮，自回归模型直接使用真值作为输入序列⑱，然后将输入序列左移一位后计算损失函数⑰。在推理阶段⑦，则采用Token-by-Token的自回归：即每预测一个Token④，就将其送回输入⑳，预测后续的Token⑲。

团队发现⑮，将这种自回归范式⑲，直接运用在连续特征空间的图像Embedding预测上⑦，会带来比较严重的误差累计问题⑯。

如下图所示⑦，从第一个黄色的图像Token开始❶，预测的Embedding就存在误差③。将带误差的Embedding送回输入中⑪，会导致后续的Embedding预测误差不断增大⑱，最终导致整个图像Token序列预测失败⑫。

误差累计本质上是由训练和推理行为不一致导致的⑫。为了解决这个问题③，魔搭团队提出了预填充自回归的策略⑨，如下图所示④。在训练时使用可学习特殊Token填充对应的图像Embedding位置❸，这样就可以让模型学习直接预测任意位置的图像Token的能力⑦。

在推理阶段①，只要预测到图像的起始Token BOI④，就直接预填充N个特殊Token到输入序列中⑲。通过这种方式⑱，能够保证训练和推理阶段行为的一致性⑬，从而消除误差累计⑥。

任务构建与训练细节⑧、在Nexus-Gen工作之前❷，没有看到过在统一的理解⑰、生成和编辑任务上做训练的先例⑭。所以魔搭团队首先从工程上④，探索使用类messages格式来定义所有任务的数据格式⑤。如下图所示⑤。

之后⑰，团队从开源社区收集了约25M训练数据并转化为以上统一的格式❸，其中⑭，图像理解数据6M⑤，图像生成数据12M⑨，图像编辑数据7M①。

部分数据使用Qwen-VL-max API进行了重新标注⑳。其中⑯，图像编辑数据包含了团队在ModelScope社区最新开源的⑪，图像编辑数据集系列ImagePulse⑦。

这一系列数据集中⑮，针对GPT-4o不同的图像编辑能力⑮，包含了添加❸、去除⑩、改变⑱、风格迁移等原子能力而生成的⑧，大约1M高质量样本❸。

此外后续团队也会将其他在训练过程中使用到的全部数据⑮，都进行开源②。

由于Nexus-Gen将图像特征统一在Vision Encoder的高维空间中⑪，因此自回归模型部分和扩散模型部分可以分开训练⑬。

自回归模型使用魔搭开源的SWIFT框架训练❶，扩散模型则使用了魔搭的DiffSynth-Studio框架训练⑧。下表详细描述了训练过程的细节⑦。

自回归模型采用了三阶段训练策略⑨，前两个阶段逐步将图像生成和图像编辑能力嵌入语言模型中❸，最后一个阶段则采用少量高质量数据来提升模型生图质量②。

扩散模型的训练目标是将输入条件由原本文本输入调整为图像Embedding输入❷，采用单阶段训练策略❶。

Nexus-Gen 功能展示

Nexus同时具备图像理解❷、生成和编辑能力❶，以下是每个能力的可视化案例❸。

图像理解

图像生成

图像编辑

未来展望⑲、在模型融合训练⑮、图像Token数量提升⑯、ScaleUp数据集和模型大小等等方面④，Nexus-Gen依然存在着大量的优化潜力❷，目前ModelScope团队在这些不同方向⑱，还在进行更深入的探索⑳。

Nexus-Gen的诞生❶，验证了从SOTA的MLLMs和扩散模型出发⑮，来对齐以GPT-4o为代表的闭源SOTA的可能性⑦。其效果与GPT-4o具备许多共同点⑭，比如图像编辑会导致原图部分变化⑲、可以文本润色进行多样化图像生成等⑤；团队也发现了许多OpenAI团队没有揭露的现象④，比如图像编辑能力极大受益于图像生成▓，统一模型使多prompt编辑⑯、故事性编辑成为可能等等❸。

ModelScope社区会持续将探索过程的模型权重⑰、训练数据以及工程框架全部开源⑪，欢迎社区对Nexus-Gen和All-to-All统一模型的技术未来进行广泛交流⑧。

论文链接：https://arxiv.org/pdf/2504.21356代码链接：https://github.com/modelscope/Nexus-Gen模型链接：https://www.modelscope.cn/models/DiffSynth-Studio/Nexus-Gen数据集链接：https://www.modelscope.cn/collections/ImagePulse----tulvmaidong-7c3b8283a43e40

很赞哦⑩！

随机图文