「Photoshop is dead」，已經(jīng)成為最近 AI 創(chuàng)作者圈中討論最熱的話題之一。

隨著圖像編輯與生成模型進(jìn)入到了又一個(gè)集中爆發(fā)期，這個(gè)專業(yè)創(chuàng)意軟件長久以來的王座地位受到了前所未有的沖擊。

尤其是引領(lǐng)這波多模態(tài)生圖技術(shù)升級潮流的谷歌 Nano Banana 以及字節(jié) Seedream4.0、阿里 Qwen-Image-Edit-2509，它們涌現(xiàn)出了更多新的能力與玩法，比如 OOTD 穿搭、文字渲染、生成電影分鏡。在無需掌握深度修圖技能的前提下，這些模型使得創(chuàng)作者開始更多地關(guān)注「如何讓生圖結(jié)果更可控、更有創(chuàng)意、更具產(chǎn)品化價(jià)值。」

從技術(shù)路線來看，以 Nano Banana 為代表的模型通過多模態(tài)指令，將語言理解、視覺識別與生成控制等不同的能力融合在一起，實(shí)現(xiàn)更自然的創(chuàng)作體驗(yàn)。不過，隨著使用場景的不斷拓展，這類指令驅(qū)動的編輯與生成在實(shí)際操作中也逐漸暴露出了一些不容忽視的局限。

比如編輯任務(wù)中通常依賴的語言指令有時(shí)會描述不清，需要結(jié)合參考圖像以及額外的文本說明；生成任務(wù)對于具體物體表現(xiàn)良好，但處理起抽象概念（發(fā)型、妝容、紋理、打光、風(fēng)格等）來往往力不從心。這些問題需要更優(yōu)的技術(shù)解決方案。

兩周前，港科大講座教授、馮諾依曼研究院院長賈佳亞團(tuán)隊(duì)開源了他們的最新成果 DreamOmni2，專門針對當(dāng)前多模態(tài)指令編輯與生成兩大方向的短板進(jìn)行了系統(tǒng)性優(yōu)化與升級。該系統(tǒng)基于 FLUX-Kontext 訓(xùn)練，保留原有的指令編輯與文生圖能力，并拓展出多參考圖的生成編輯能力，給予了創(chuàng)作者更高的靈活性與可玩性。

根據(jù)團(tuán)隊(duì)的說法，不論是具體物體還是抽象概念的編輯與生成，DreamOmni2 都可以取得顯著優(yōu)于當(dāng)前 SOTA 開源模型的表現(xiàn)，在一些方面甚至比 Nano Banana 效果都要好。我們來一睹效果：

基于指令的多模態(tài)編輯：讓第一張圖像（源圖像）中女子的帽子擁有與第二張圖像（參考圖像）中毛衣相同的配色方案。

基于指令的圖像生成：圖 1 被掛在臥室的墻上，圖 3 中的杯子變成與圖 2 中盤子相同的材質(zhì)，并被放置在桌子上。

DreamOmni2 引起了海外創(chuàng)作者的關(guān)注與熱議。有人給予了高度評價(jià)，認(rèn)為它將顛覆人們對圖像生成與編輯的認(rèn)知；還有人給它冠上了「King Bomb」的稱號，并特別稱贊了其抽象概念理解能力。Youtube 還出現(xiàn)了大量的介紹以及使用經(jīng)驗(yàn)分享視頻。

開源兩周以來，DreamOmni2 收獲了開源社區(qū)的大量認(rèn)可，在 GitHub 上已經(jīng)積累了 1.6k 的 Star 量。

代碼地址：https://github.com/dvlab-research/DreamOmni2

如果說 Nano Banana 開啟了多模態(tài) AI 圖像編輯生成的新紀(jì)元，那么 DreamOmni2 有助于整個(gè)行業(yè)將這種改圖與生圖的能力推向深水區(qū)，為創(chuàng)作者提供了一個(gè)語義理解更全面、創(chuàng)意延展性更強(qiáng)的智能引擎。

接下來，機(jī)器之心進(jìn)行了一手實(shí)測，一起來看看效果如何。

一手實(shí)測，看看強(qiáng)在哪里？

我們首先測試了 DreamOmni2 的基于指令的多模態(tài)編輯能力。

體驗(yàn)地址：https://huggingface.co/spaces/wcy1122/DreamOmni2-Edit 

在這一任務(wù)中，我們給模型輸入了兩張圖片和一條提示，提示詞為「將圖 1 中熊貓的背景替換為圖 2，生成證件照（Replace the background of the panda in picture 1 with picture 2 to generate an ID photo）」。

只見 DreamOmni2 思考了很短的時(shí)間，一張熊貓證件照就 P 好了。生成的圖片背景符合要求，連毛發(fā)細(xì)節(jié)都被保留得恰到好處。以前修一張證件照，得花上好幾分鐘精調(diào)細(xì)節(jié)；現(xiàn)在只需一句話，DreamOmni2 就能自動完成，而且效果絲毫不輸專業(yè)修圖。

看起來，這類換背景的任務(wù)已經(jīng)難不倒 DreamOmni2 了。既然如此，我們上難度，嘗試讓模型將一張照片的風(fēng)格轉(zhuǎn)換為另一種風(fēng)格。這類任務(wù)對模型的理解力與生成控制力要求更高：它不僅需要識別畫面內(nèi)容，還要掌握風(fēng)格的語義特征，如色彩氛圍、筆觸質(zhì)感等。

同樣地，我們輸入兩張圖片，外加一句提示「使第一張圖片與第二張圖片具有相同的圖片風(fēng)格（Make the first image have the same image style as the second image）」。

DreamOmni2 的表現(xiàn)同樣令人驚喜，它不僅精準(zhǔn)地還原了參考圖的色調(diào)與氛圍，還將那種風(fēng)格感無縫融入原圖。

既然 DreamOmni2 的效果如此能打，不禁讓人好奇，它與當(dāng)前主流的生圖模型（比如 GPT-4o 和 Nano Banana）相比，究竟誰更勝一籌？要知道，DreamOmni2 可是開源的，這一點(diǎn)本身就讓它在多模態(tài)生圖領(lǐng)域顯得格外特別。

輸入如下兩張圖，提示為「將第一幅圖中的夾克替換為第二幅圖中的衣服（Replace the jacket in the first image with the clothes in the second image）」。

DreamOmni2 準(zhǔn)確識別出了主體與衣服的層級關(guān)系，不僅成功替換了衣服，還自然地保留了人物臉部特征與姿態(tài)，只有衣領(lǐng)略有出入。

我們再來看看 GPT-4o 的結(jié)果，輸入同樣的圖片和提示。GPT-4o 很容易看出是 AI 合成的，尤其是人物的臉部，看起來很不自然，像是被后期磨皮過度。不僅如此，原本插兜的動作也被改動了，人物整體比例顯得很不協(xié)調(diào)。

隨后，我們又測試了谷歌 Nano Banana，人物的姿態(tài)與五官保持完好，衣物替換后的整體視覺效果自然協(xié)調(diào)，但衣物顏色和形態(tài)發(fā)生了變化，logo 也消失了。

對比下來，我們發(fā)現(xiàn) GPT-4o 表現(xiàn)最差，而 DreamOmni2 和 Nano Banana 整體效果明顯更勝一籌。

接著，我們又測試了 DreamOmni2 基于指令的多模態(tài)生成能力。

測試地址：https://huggingface.co/spaces/wcy1122/DreamOmni2-Gen

輸入如下圖片，然后要求 DreamOmni2「將第一張圖片中的徽標(biāo)印在第二張圖片中的物體上并放置在桌子上（The logo from the first image isprinted on the object from the second image and placed in the desk）」。

DreamOmni2 準(zhǔn)確理解了語義，不僅正確提取出第一張圖片中的徽標(biāo)元素，還將其自然地貼合到第二張圖片中的物體表面，光影效果非常好。此外，模型自動識別了「桌面」這一場景語境，甚至桌面上出現(xiàn)了杯子倒影。

我們又測試了一個(gè)更具挑戰(zhàn)性的任務(wù)，根據(jù)手繪草圖，讓模型生成一張姿態(tài)相同的圖片。這類任務(wù)考驗(yàn)的不只是模型的圖像生成能力，更是對動作識別、空間理解與語義映射的綜合考驗(yàn)。

提示：Anime image 1 adopts the pose of image 2

DreamOmni2 在這一測試中依然表現(xiàn)不錯(cuò)，它能夠準(zhǔn)確捕捉草圖中的姿態(tài)，將線條信息轉(zhuǎn)化為自然的人物動作。

最后，我們同樣對 DreamOmni2 與 GPT-4o、Nano Banana 的生成效果進(jìn)行對比。輸入兩張圖片，要求是「將圖 2 的項(xiàng)鏈戴在圖 1 中的貓的脖子上」。

DreamOmni2 生成的結(jié)果如下：

下圖左為 GPT-4o 結(jié)果，右為 Nano Banana 結(jié)果：

三者比較下來，GPT-4o 的生成結(jié)果依然帶有較強(qiáng)的 AI 痕跡；DreamOmni2 和 Nano Banana 各有其優(yōu)勢，比如 DreamOmni2 色彩氛圍表現(xiàn)力更強(qiáng)，Nano Banana 畫面呈現(xiàn)更柔和。

這樣的表現(xiàn)直接驗(yàn)證了賈佳亞團(tuán)隊(duì)的實(shí)驗(yàn)結(jié)果：DreamOmni2 在基于指令的多模態(tài)編輯與生成任務(wù)中均實(shí)現(xiàn)了新的 SOTA。

基于指令的多模態(tài)編輯定量與定性結(jié)果。

基于指令的多模態(tài)生成的定量與定性結(jié)果。

數(shù)據(jù)、框架與訓(xùn)練三位一體，

打通多模態(tài)生成全鏈路

從前文多場景實(shí)測來看，DreamOmni2 在多模態(tài)指令編輯與生成任務(wù)中展現(xiàn)出了更強(qiáng)的適應(yīng)性、可控性與可玩性。實(shí)現(xiàn)這樣的躍升，意味著賈佳亞團(tuán)隊(duì)要在數(shù)據(jù)構(gòu)建、框架設(shè)計(jì)與訓(xùn)練策略上做出一些不同于行業(yè)其他玩家的東西來。

事實(shí)上，賈佳亞團(tuán)隊(duì)確實(shí)做到了這一點(diǎn)，祭出了三階段式數(shù)據(jù)構(gòu)建范式、多參考圖索引編碼優(yōu)化以及 VLM 與生成模型聯(lián)合訓(xùn)練等在內(nèi)的一整套技術(shù)創(chuàng)新方案。

由于多模態(tài)指令編輯與生成算是比較新的 AI 任務(wù)，其主要挑戰(zhàn)就在于缺乏足夠的訓(xùn)練數(shù)據(jù)。對于編輯，早期（如 Omniedit）的數(shù)據(jù)構(gòu)建流程往往通過生成包含指令、源圖像與目標(biāo)圖像的三元組來實(shí)現(xiàn)，而無法生成以參考圖像為編輯條件的數(shù)據(jù)；對于生成，現(xiàn)有（如 UNO）的數(shù)據(jù)構(gòu)建流程依賴分割檢測模型來生成參考圖像，難以合成涉及抽象屬性或被遮擋物體的參考數(shù)據(jù)。

DreamOmni2 獨(dú)創(chuàng)了三階段式數(shù)據(jù)構(gòu)建范式，力圖突破以往工作的數(shù)據(jù)桎梏。

第一階段采用特征混合方案，通過雙分支結(jié)構(gòu)同時(shí)生成源圖像與目標(biāo)圖像。并且利用基礎(chǔ)模型的 T2I（文本到圖像）能力，創(chuàng)建包含具體物體與抽象屬性的高質(zhì)量數(shù)據(jù)對。與 UNO 采用的 diptych 數(shù)據(jù)生成方法相比，特征混合方案表現(xiàn)出了三大優(yōu)勢：不降圖像分辨率、不會出現(xiàn)因分割線偏移而導(dǎo)致的內(nèi)容混疊、數(shù)據(jù)質(zhì)量與準(zhǔn)確性更高。

第二階段聚焦于構(gòu)建基于指令的多模態(tài)編輯數(shù)據(jù)。首先利用 T2I 模型生成的圖像和真實(shí)圖像來創(chuàng)建目標(biāo)圖像；隨后利用第一階段訓(xùn)練得到的特征提取模型來模擬目標(biāo)圖像中的物體或?qū)傩裕⒒谥噶钌蓞⒖紙D像；接著使用基于指令的編輯模型修改目標(biāo)圖像中提取的物體或?qū)傩?，從而?chuàng)建源圖像；最終形成了從參考圖像、源圖像到目標(biāo)圖像的訓(xùn)練對。

到了第三階段，則要構(gòu)建基于指令的多模態(tài)生成數(shù)據(jù)。首先利用第二階段中訓(xùn)練的特征提取模型，從源圖像中提取物體，創(chuàng)建新的參考圖像；隨后將這些參考圖像與第二階段已有的參考圖像結(jié)合起來，最終形成由多張參考圖像、指令和目標(biāo)圖像組成的訓(xùn)練數(shù)據(jù)集。

這一范式打通了從具體物體到抽象概念、從編輯到生成的全流程數(shù)據(jù)構(gòu)建鏈路，通過特征混合、真實(shí)數(shù)據(jù)與模型自生數(shù)據(jù)的結(jié)合，彌補(bǔ)了以往多模態(tài)訓(xùn)練中抽象概念稀缺以及缺乏參考圖像條件的結(jié)構(gòu)性缺陷，降低了數(shù)據(jù)獲取成本。

如此一來，賈佳亞團(tuán)隊(duì)從數(shù)據(jù)層面保證了模型的語義理解與跨模態(tài)對齊能力，也為行業(yè)帶來了一套更高效的數(shù)據(jù)閉環(huán)標(biāo)準(zhǔn)。

DreamOmni2 的框架設(shè)計(jì)要適應(yīng)多參考圖輸入的需求。由于基礎(chǔ)模型 FLUX Kontext 無法實(shí)現(xiàn)這一點(diǎn)，因此需要進(jìn)行針對性修改。

在多模態(tài)指令任務(wù)中，為方便起見，通常會將參考圖像標(biāo)記為「image 1」、「image 2」等。但是，僅依靠位置編碼無法準(zhǔn)確區(qū)分不同參考圖像的索引。

為了解決這個(gè)問題，賈佳亞團(tuán)隊(duì)選擇將索引編碼添加到位置通道。索引編碼雖有助于區(qū)分參考圖像，但位置編碼仍然需要根據(jù)先前輸入的參考圖像的大小進(jìn)行偏移。因此這個(gè)偏移又被添加到了位置編碼中，使得復(fù)制粘貼現(xiàn)象和參考圖像之間的像素混淆現(xiàn)象得到有效緩解。

最后是進(jìn)一步的訓(xùn)練優(yōu)化。當(dāng)前編輯和生成模型的訓(xùn)練指令通常結(jié)構(gòu)化良好，具有固定格式。然而，現(xiàn)實(shí)世界中的用戶指令往往不規(guī)則或邏輯上不一致，這會造成一種鴻溝，影響到模型的理解并降低性能。

針對這一點(diǎn)，賈佳亞團(tuán)隊(duì)提出了 VLM 和生成模型聯(lián)合訓(xùn)練的機(jī)制，讓 VLM 理解復(fù)雜的用戶指令，并將其輸出為訓(xùn)練中使用的結(jié)構(gòu)化格式，幫助編輯和生成模型更好地理解用戶意圖。

與此同時(shí)，賈佳亞團(tuán)隊(duì)使用 LoRA 方法分別訓(xùn)練了編輯與生成模塊，使模型按照標(biāo)準(zhǔn)化指令格式執(zhí)行多模態(tài)指令編輯與生成任務(wù)。當(dāng)系統(tǒng)檢測到參考圖像輸入時(shí)，LoRA 模塊會自動激活，從而在統(tǒng)一模型中無縫融合編輯與生成功能。

更多技術(shù)細(xì)節(jié)請?jiān)L問原論文。

論文地址：https://arxiv.org/pdf/2510.06679v1

作為一次底層架構(gòu)的技術(shù)升級，DreamOmni2 以系統(tǒng)化的思路貫通了數(shù)據(jù)、框架與訓(xùn)練三個(gè)關(guān)鍵環(huán)節(jié)，構(gòu)建起多模態(tài)生成的統(tǒng)一體系。

結(jié)語

去年 12 月，賈佳亞團(tuán)隊(duì)發(fā)布 DreamOmni，邁出了探索圖像生成與編輯任務(wù)大一統(tǒng)的第一步。如今 DreamOmni2 的開源，則是這一方向的深化與延展。

最開始，基于指令的編輯還只能處理簡單的添加、刪除與替換任務(wù)，而現(xiàn)在已經(jīng)能夠理解復(fù)雜的語義指令，并利用參考圖像實(shí)現(xiàn)風(fēng)格遷移、結(jié)構(gòu)重組、抽象屬性編輯等高級任務(wù)。

基于指令的生成也不再局限于單一物體的場景構(gòu)建，而能更靈活地處理多物體與抽象概念的協(xié)同組合，實(shí)現(xiàn)更高層次的語義協(xié)調(diào)與創(chuàng)意控制，拓寬了 AI 視覺創(chuàng)作的表現(xiàn)空間。

對于整個(gè)行業(yè)而言，DreamOmni2 的系統(tǒng)性創(chuàng)新，讓模型的多模態(tài)理解、編輯與生成能力做到自然銜接與切換，為下一代 AI 視覺創(chuàng)作工具的智能進(jìn)化提供了參考。

此外，DreamOmni2 是賈佳亞團(tuán)隊(duì)過去兩年深耕多模態(tài)領(lǐng)域的一個(gè)縮影與延續(xù)。團(tuán)隊(duì)在圖像、視頻與語音等多個(gè)方向發(fā)力，僅在去年就陸續(xù)推出多模態(tài)視覺語言模型 Mini-Gemini、AI 圖像與視頻生成控制工具ControlNeXt 以及 DreamOmni 等多項(xiàng)代表性研究；在語音方向則推出了富有表現(xiàn)力、長時(shí)程的語音生成模型 MGM-Omni。

通過這些工作，賈佳亞團(tuán)隊(duì)已逐步構(gòu)建起覆蓋感知、理解與生成全鏈路的多模態(tài)技術(shù)棧。加之很多模型選擇向社區(qū)開放，進(jìn)一步增強(qiáng)了其自身多模態(tài)技術(shù)的影響力。

隨著以 Nano Banana、DreamOmni2 以及 Sora 2 為代表的視覺生成模型持續(xù)引爆社區(qū)，AI 創(chuàng)作范式正在發(fā)生翻天覆地的變化，創(chuàng)作者可以進(jìn)行更加深入的人模共創(chuàng)。連同 DreamOmni2 在內(nèi)，賈佳亞團(tuán)隊(duì)的一系列開源工作將成為推動全球多模態(tài)創(chuàng)作生態(tài)演進(jìn)的重要力量。