作者｜冰拿铁

编辑｜星奈

媒体｜AI大模型工场

自从AI大模型落地以来，你的朋友圈是不是经常被各种AI风格的图片刷屏？从像素风、二次元到古风无所不包！各种AI软件能让你家猫主子一键变动漫主角，也能让你穿越回古代当格格！AI在手，任何一张普通的生活照、风景图，都能任意切换风格，打开新世界大门，在朋友圈美美秀一波。

不过，外行看热闹，内行看门道，如果你仅仅将这场网络狂欢视为新奇的“AI滤镜”，那你就错过了人工智能领域一个划时代的技术拐点。“动动手指就能成图”的丝滑体验，背后是原生多模态统一模型（Natively Multimodal Unified Model）的胜利。

过去，图像生成、文本理解、语音识别分属不同技术栈，堆砌成笨重的多模块系统，效率低下，复杂任务的处理效率始终上不去。而GPT-4o等行业领先者选择了统一的自回归模型架构(Autoregressive Model)，将图像生成深度整合进多模态核心，实现理解与生成的“通感”联动。

这时有人就问了：这种听起来就高大上前沿技术是不是仅仅是“巨头玩具”，耗费资源且烧钱、与中小型公司无缘？我们能部署、吃上这波AI红利吗？

今天，昆仑万维开源的Skywork UniPic交出了答卷，延续上文所述先进路径的同时，以小体量、大能量的姿态，在追求模型能力极限的同时，坚持效率至上的设计理念，为研究者和开发者提供一个轻量、高效、具扩展性的统一模型基线。

一言以蔽之，AI普惠的风，还是吹到了原生多模态统一模型领域！

秉持开放协作、共享创新的理念，昆仑万维面向社区全面开放 Skywork UniPic 的核心资源：

模型权重：https://huggingface.co/Skywork/Skywork-UniPic-1.5B

技术报告：https://github.com/SkyworkAI/UniPic/blob/main/UNIPIC.pdf

代码仓库：https://github.com/SkyworkAI/UniPic

01、

开源的Skywork UniPic背后：多模态融合的春天来了

Skywork UniPic的开源，正是上文所述技术路径的一次生动演绎，它延续了GPT-4o的技术路线并实现关键创新。

以前的 AI 像个“偏科生”，看图的只管看，画图的只管画，修图的只管修，互不干涉、而Skywork UniPic在单一模型中实现了图像理解、文生图、图像编辑三大核心能力的完美融合，一个大脑搞定多件事，成为打通多模态任督二脉的“全能战士”。这标志着人工智能向类人类认知模式，将多种感官信息融会贯通、理解与创造无缝切换迈出了坚实一步。

接下来，我们用它来挑战各种天马行空、画风各异的脑洞，看看这位图像圈“卷王”到底有多能打。

先来看文生图，输入“夕阳下的海滩上，一只蓬松的白兔竖起耳朵，正好奇地端详着一只扇贝。”

结果可见，Skywork UniPic分分钟拿捏，夕阳洒落在沙滩上，一只毛茸茸的白团子支棱着小耳朵，妥妥的氛围感加细节控，完美搞定，我的心都化了。

再来一幅老式厨房场景：铸铁水壶与陶瓷茶壶置于粗削木桌上。

Skywork UniPic表现可圈可点，厚重的铸铁水壶带着岁月的痕迹，安然放置在粗犷、未经细致打磨的原木桌上。老物件的质感、复古的气息扑面而来，想拍vintage风静物照？别拍了，直接找它就行。

上难度，来个像素风“一位圆润的像素风巫师骑着飞行烤面包机，穿梭在霓虹浸染的赛博朋克都市中；鲜活的品红与青绿调色板，戏剧性的视差滚动背景。”

来看结果：一个得得嗖嗖的巫师悬浮于色彩爆炸的霓虹高楼间，风格混搭玩得溜，我都想找个类似风格的游戏玩玩了。

再来看二次元风格：“两位寿司师傅在江户时代熙攘的街市投掷彩虹寿司。他们头顶的纸灯笼明灭闪烁。整个场景呈现出像素化的复古游戏画风。”

Skywork UniPic表示，安排！江户风情的像素街区，头顶的纸灯笼吸睛，整个画面仿佛是从某款经典日式动漫里截出来的，氛围、细节、统一画风，统统拿捏。

下面，再来看看图像编辑功能如何，据说能点哪里改哪里，说啥就换啥，有了这个功能，可以卸载美图秀秀了！

想给图片里的人加条项链？输入“Add a necklace around the neck”，指令一发，一条精美项链瞬间出现在模特的脖子上，如同原图自带，毫无PS痕迹。

嫌星星单调？换成温馨的蜡烛！输入“Replace the stars with the candle.”Skywork UniPic小手一点，直接浪漫升级。目标精准替换，意境无缝转换。

再来试试风格转绘，一键切换次元壁。先放这张原图：

输入“Switch to a Ghibli style”，图片一秒变宫崎骏风，浓浓吉卜力味儿扑面而来。

再来一个，想怀旧？输入“Switch to a pixel style”，画面元素立刻变成方块像素，怀旧复古游戏感MAX！什么现代高清图，统统给我“打码”！这小草莓太可爱了像素艺术精髓get。

最后，来考验其图片理解能力，问：图片中的狗是什么品种？

可见，Skywork UniPic看图识狗不在话下，能抓住金毛的关键特征，金黄长毛、大体型、标志性黑鼻，解释得条理清晰、有理有据。图文理解力爆表！

那么，往深处追溯，其背后有哪些技术突破、藏着哪些行业秘籍？

02、

1.5B出奇迹：小体量撬动多模态大变革！

Skywork UniPic 真正诠释了“小而美”的技术美学，以 1.5B 的轻量级规模实现了接近甚至超越大参数模型的性能表现：

首先，Skywork UniPic 指令遵循能力媲美大型模型：在 GenEval 指令遵循评估中取得 0.86 的优异成绩，超越了绝大多数同类统一模型，在无 CoT 的情况下取得了 SOTA 分数，逼近较大模型 BAGEL（7B+7B*）带 CoT 的 0.88 分；

其次，在行业竞争白热化的复杂指令生图能力领域，Skywork UniPic在 DPG-Bench 复杂指令生图基准上达到 85.5 分的行业 SOTA 水平。与此同时，Skywork UniPic 图像编辑能力稳居第一梯队，GEditBench-EN 获得 5.83 分，ImgEdit-Bench 达到3.49分，展现出精准的编辑执行能力。

Skywork UniPic凭什么实现多维领先、成为“六边形战士”的存在？在剖析其技术底座后，我们发现，Skywork UniPic在架构、数据质量、训练方式等方面，实现了前所未有的“多重统一”。

首先，架构统一，告别“各自为营”，走向“通感联动”。与OpenAI此前发布的DALL·E系列等主流依赖扩散模型（Diffusion Model）的文生图系统不同，Skywork UniPic坚定采用自回归模型架构。这是一种更接近语言本质的生成方式。

这意味着，图像被视作一种特殊的“视觉语言”，通过像素序列预测的方式自然融入多模态框架中，并非简单的技术路线选择，而是对多模态底层统一性的深刻洞察，它实现了图像与文本在统一语义空间下的表征学习、跨模态的上下文深度理解与推理、以及生成、编辑任务的端到端流程优化。

通俗地说，模型真正获得了类似人类的“通感”能力，听其言，读文本指令，知其意，懂图像理解，塑其形，玩转图像生成与编辑，三位一体，一气呵成。

而在数据建构领域，Skywork UniPic实现了“用少量优质数据达到更优效果”的目的。过去，很多人认为，模型越大越强，想要模型厉害就必须“喂”海量数据，而Skywork UniPi精选了大约一亿的高质量预训练数据和数百万条精调任务数据，比质不比量，结果证明了，高质量的小份“营养餐”比低质量的“大锅饭”强多了！

那么，Skywork UniPic如何确保这些数据质量上乘？可以说，千里马常有，而伯乐不常有。现有开源评估模型在高质量生成结果的识别上存在系统性偏差，直接制约了生成和编辑数据的筛选精度和模型训练效果。

为此，Skywork UniPic构建了两大奖励模型，通俗地说，就是两个专业度拉满的“智能评委”，Skywork-ImgReward专门评估文生图训练数据质量的好坏。Skywork-EditReward专门评估图片编辑训练数据的好坏，让在小规模高质量数据上训练出的模型表现同样出众。

第三，训练方式的进阶，任务统一，鱼与熊掌兼得。长期以来，统一模型面临“理解能力”、“生成质量”与“编辑精度”难以兼得的“三难困境”。

Skywork UniPic通过创新的渐进式多任务训练策略成功破局，阶段化能力构建（Curriculum Learning）：并非粗暴混合所有任务数据，而是先精炼单一能力，如文生图，再如同“搭积木”般依次引入理解与编辑任务，由易到难，稳扎稳打，避免早期任务间的干扰与冲突。

简单来说，就是分步骤、有层次地教模型，就像学武术，基本功扎实了再练套路。

Skywork UniPic真正诠释了“小身板大能量”的技术美学，以全球首个轻至1.5B参数的紧凑规模，实现了多项能力的全面领先，以小体量实现了和“大块头”同等甚至更优的性能。

在行业看来，将实验室的尖端能力真正塞进千家万户的消费级硬件，这正是技术普惠的基石。昆仑万维用Skywork UniPic证明了，“大力出奇迹”并非模圈唯一真理，精准的架构设计、高效的数据策略与精巧的训练优化，才是撬动性能巨石的真正杠杆。

同时，部署成本“击穿地心”、急剧压缩，RTX 4090 消费级显卡皆可流畅运行，1.5B模型的消费级硬件兼容性，彻底破除了高性能多模态AI必须依赖昂贵云端算力或高端专业卡的迷信，端侧智能的体验将获得质的飞跃，高隐私、强互动成为可能，为智能创作、专业设计等场景带来生产力革命。

这让我们感慨，当技术壁垒被打破，艺术创作不再是少数专业人士的特权时，大众的想象力价值将进一步被释放。昆仑万维Skywork UniPic的出现，尤其是其1.5B的形态，进一步将这一愿景推向现实。

03、

以开源芯火，点燃AI普惠未来：昆仑万维的定力与担当

放眼未来，产业格局将迎来变革，技术门槛降低，开发者无需再为不同任务拼凑庞大复杂的技术栈，一个Skywork UniPic即可覆盖多场景需求。这极大降低了AI应用开发的门槛和周期，尤其中小企业与个人开发者将受益最深。

同时，创新生态将重构。昆仑万维的全栈开源策略，不仅技术赋能行业，更是搭建了开放的创新基础设施，这为开发者提供了“可落地、可扩展、可后训练”的基座，在我们看来，此举将激发“百花齐放”的应用生态，带来的“蝴蝶风暴”将远超模型研发者的初始构想。

而对个体用户来说，受益的是每一个被技术赋能的普通人。当模型能力融入日常工具，当创意灵感不受硬件桎梏，我们将迎来前所未有的全民创意大爆炸。

昆仑万维的坚持，体现了一家技术驱动型厂商的战略定力与产业担当。此前，其持续重金投入研发，2024年研发费用15.4亿元，同比大增59.5%，就让行业印象深刻。而在成果、产出上，昆仑万维聚焦垂类场景商业化，表现同样可圈可点，Skywork Super Agents、AI音乐Mureka、短剧平台DramaWave都是成功实践。

此前，截至2025年第一季度，其短剧平台DramaWave年化流水收入ARR（订阅服务下，企业年度经常性收入）达1.2亿美元，月均1000万美元；AI音乐年化流水收入ARR达到约1,200万美金（月流水收入约100万美金）。

往深处看，这份以技术研发引领行业发展、以产品力加固护城河、以开放普惠拥抱未来的格局与智慧，背后是昆仑万维作为AI领域头部厂商，“有态度、有技术、有力度”的体现：

做难而正确的事，以核心技术构筑长期壁垒，并通过开源共享推动行业整体水位的提升。正如昆仑万维董事长方汉所言：宁为鸡口，不为牛后，要懂得从终局思考，在当下的大模型竞赛中，更需要在自己熟悉的赛道中做到“SOTA”。

如今，在追逐万亿参数的浮躁喧嚣中，昆仑万维选择沉下心来，锻造Skywork UniPic这把劈开多模态技术局限的利刃，这份对技术的敬畏与开源普惠的诚意，值得行业的尊重。期待未来，昆仑万维带来更多“SOTA时刻”。