您现在的位置是：网站首页>游戏游戏

江阴电玩城

陆孤岚 2025-05-13 【游戏】 9849 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①，业界对大模型生图能力的探索向全模态方向倾斜⑮，训练全模态模型成研发重点⑲。

开源的MLLMs和扩散模型已经过大规模预训练▓，其从零开始训练统一任务⑤，不如取长补短④，将MLLMs的语言建模能力❷，与扩散模型的像素级图像建模能力⑧，进行有机的结合❷。

基于这个思路⑤，ModelScope团队提出可同时完成图像理解②、生成和编辑的统一模型Nexus-Gen❸，在图像质量和编辑能力上达GPT-4o同等水平①，并将成果全方位开源⑫，望引发开发者讨论⑪，促进All-to-All模型领域发展⑧。

模型先进行图像生成⑯，然后进行图像理解的可视化案例：

Nexus-Gen技术细节

总体框架⑰、Nexus-Gen采用了与GPT-4o类似的 token → [transformer] → [diffusion] → pixels 技术路线⑱，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⑩，其总体架构如图所示⑤。

作为一个All-to-All模型⑧，Nexus-Gen的输入和输出都支持图像和文本模态②，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④。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⑩。

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①，然后用VAE等模型解码为图像⑲，导致图像质量较差⑰。

为了保证图像质量⑥，Nexus-Gen选择在高维特征空间对图像进行建模⑪，并选择SOTA的扩散模型作为视觉解码器⑩。

相比于处理单一任务的模型⑭，All-to-All模型的潜力在于图像理解⑭、生成❸、编辑等任务可以相互促进⑫、互相组合

为了完成这一目标⑨，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⑧，统一使用Vision Encoder编码图像得到高维特征❶。对于理解任务⑩，这些特征直接输入模型中作为先验⑦。对于生成任务⑰，这些特征则作为真值指导模型的训练⑦。

预填充自回归策略④、在训练阶段⑬，自回归模型直接使用真值作为输入序列⑪，然后将输入序列左移一位后计算损失函数▓。在推理阶段⑥，则采用Token-by-Token的自回归：即每预测一个Token⑤，就将其送回输入⑮，预测后续的Token⑰。

团队发现②，将这种自回归范式⑩，直接运用在连续特征空间的图像Embedding预测上⑲，会带来比较严重的误差累计问题⑬。

如下图所示⑩，从第一个黄色的图像Token开始⑪，预测的Embedding就存在误差②。将带误差的Embedding送回输入中⑨，会导致后续的Embedding预测误差不断增大⑫，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④。为了解决这个问题⑪，魔搭团队提出了预填充自回归的策略①，如下图所示⑥。在训练时使用可学习特殊Token填充对应的图像Embedding位置①，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⑰。

在推理阶段▓，只要预测到图像的起始Token BOI⑥，就直接预填充N个特殊Token到输入序列中⑥。通过这种方式❸，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⑦。

任务构建与训练细节⑭、在Nexus-Gen工作之前⑯，没有看到过在统一的理解⑳、生成和编辑任务上做训练的先例③。所以魔搭团队首先从工程上❸，探索使用类messages格式来定义所有任务的数据格式⑱。如下图所示②。

之后⑪，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⑫，其中❸，图像理解数据6M①，图像生成数据12M⑦，图像编辑数据7M❸。

部分数据使用Qwen-VL-max API进行了重新标注❸。其中⑪，图像编辑数据包含了团队在ModelScope社区最新开源的❸，图像编辑数据集系列ImagePulse⑪。

这一系列数据集中⑱，针对GPT-4o不同的图像编辑能力⑫，包含了添加⑨、去除❷、改变⑮、风格迁移等原子能力而生成的④，大约1M高质量样本⑭。

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⑥，都进行开源⑨。

由于Nexus-Gen将图像特征统一在Vision Encoder的高维空间中▓，因此自回归模型部分和扩散模型部分可以分开训练⑲。

自回归模型使用魔搭开源的SWIFT框架训练⑩，扩散模型则使用了魔搭的DiffSynth-Studio框架训练⑬。下表详细描述了训练过程的细节⑧。

自回归模型采用了三阶段训练策略⑪，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⑪，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❸。

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⑳，采用单阶段训练策略⑮。

Nexus-Gen 功能展示

Nexus同时具备图像理解⑫、生成和编辑能力❸，以下是每个能力的可视化案例▓。

图像理解

图像生成

图像编辑

未来展望❷、在模型融合训练⑩、图像Token数量提升⑳、ScaleUp数据集和模型大小等等方面⑫，Nexus-Gen依然存在着大量的优化潜力⑱，目前ModelScope团队在这些不同方向⑮，还在进行更深入的探索⑧。

Nexus-Gen的诞生⑩，验证了从SOTA的MLLMs和扩散模型出发⑪，来对齐以GPT-4o为代表的闭源SOTA的可能性▓。其效果与GPT-4o具备许多共同点⑯，比如图像编辑会导致原图部分变化❷、可以文本润色进行多样化图像生成等①；团队也发现了许多OpenAI团队没有揭露的现象⑳，比如图像编辑能力极大受益于图像生成⑳，统一模型使多prompt编辑④、故事性编辑成为可能等等⑫。

ModelScope社区会持续将探索过程的模型权重⑪、训练数据以及工程框架全部开源⑳，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⑬。

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④！

随机图文