黑马图像模型被Nano Banana技术负责人点赞！

• 允中 发自 凹非寺
  量子位 | 公众号 QbitAI

图像界又杀出一匹黑马！

刚刚，Luma AI甩出全新模型Uni-1，正面对标谷歌Nano Banana Pro和GPT Image 1.5。

Uni-1是一个统一的图像理解与生成模型。

在官方展示中，Uni-1具备角色姿态迁移、故事板生成、草稿+材质结合参考生成、草稿转漫画、多参考图场景合成、草稿引导的照片编辑、UV贴图生成、带有文字的贺卡海报生成等诸多能力。

在多项权威任务评测中，Uni-1不仅能对标Nano Banana Pro、GPT Image 1.5，部分任务的表现更是达到世界领先水平。

例如下面这个案例，Uni-1精准拿捏细节，在风格一致性、元素融合度和细节还原上更胜一筹。

更令人意外的是，能实现如此惊艳效果的Uni-1，背后并非大厂重兵投入，而是一支不到15人的华人研究团队。

Uni-1发布后评论一片叫好，甚至引来谷歌DeepMind首席科学家、Nano Banana项目技术负责人Oliver Wang点赞：

英伟达机器人主管Jim Fan也送上了祝福：

Uni-1效果到底有多炸？话不多说，来看更多图。

解锁多元创作场景

马年新春贺卡

先来一个简单的测试：

生成一张马年新春贺卡，要包含“新春快乐”、“马年大吉·万事如意”、“马年 二〇二六”等中文文字。

Uni-1生成的贺卡文字内容完整、排版合理，马的形象和中国传统剪纸风格高度一致。相比之下，GPT Image 1.5出现了文字混乱，Nano Banana Pro的文字渲染也有明显瑕疵。

中文文字渲染一直是图像生成模型的“照妖镜”——Uni-1交出了一份相当能打的答卷。

多参考图场景合成

给模型5张参考图——两只猫、两位男士、Luma AI的logo——要求合成一个会议场景：

一只猫展示Luma AI幻灯片，另一只猫旁听，同时融入真人照片和logo。

Uni-1精确还原了每张参考图的身份特征——猫的毛色花纹、男士的五官和发型、logo的细节——并将它们合理地组织进了同一个场景。

GPT Image 1.5则把参考图片直接“贴”到了幻灯片上，而Nano Banana Pro连基本的参考图融合都没做到。

信息图提取

给模型一张地铁站实拍的“THE BEES NEED YOU”公益海报，要求提取为可直接用于生产的信息图——生成完整图片，不带占位框，准确还原信息图中所有可见文字。

这个任务同时考验“看”和“画”两种能力：

先要理解实拍海报里的全部信息层级，再要重新生成一张排版清晰的信息图。

Uni-1准确还原了完整的海报布局、所有文字、正确配色，以及黑色草地剪影和正确的纵横比。GPT Image 1.5部分文字颜色错误，底部文字全部缺失，野花种子和蜜蜂的logo也出了问题。Nano Banana Pro整体布局尚可，但底部文字同样缺失。

草稿转漫画

再来看生成能力——把一张粗糙的草稿（猫站在书架上，旁边有人说”Hey! Get down from there!”）转化为专业级漫画。

Uni-1完美地将草稿意图转化为专业漫画：分格构图、对话气泡的位置和方向都精准还原，所有细节完整保留——猫耳朵、翘起的尾巴、卷烟缸、书架上的书，甚至手机屏幕显示着911。

钢琴前的一生：6帧故事板

下面可能是最能体现Uni-1实力的demo之一。

要求：生成6帧故事板，展示同一个角色从童年到老年在钢琴前的一生。一个人从男孩到少年、到青年、到中年、到老年，最后变成一家人在台上的大合照。

6帧画面中角色身份保持一致——同一张脸，钢琴、透视和画风不变，仅人物形象和背景随时间变化。这种跨帧的角色一致性和时间叙事能力，是当前图像模型的核心难题之一。

UV贴图生成

给模型一个人从不同角度拍摄的三张照片（正面、左侧、右侧），要求生成一张标准面部拓扑的展开UV贴图。

UV贴图是3D建模中的核心环节，对面部对齐、左右对称和肤色一致性要求极高。

Uni-1生成的UV贴图在这三个维度上都明显优于GPT Image 1.5、Nano Banana Pro：

GPT Image 1.5的正脸和侧面贴图出现了不一致，Nano Banana Pro则完全没能生成符合标准UV布局规范的结果。

能搞定这种专业级3D任务，说明Uni-1不只是“画图好看”，而是真正具备了对三维空间结构的深层理解。

不到15人，凭什么？

看完效果，你可能会好奇：这些通常只在大厂才能看到的结果，到底是怎么从一个不到15人的团队手里做出来的？

答案或许就藏在这支团队的两位研究负责人身上。

宋佳铭，清华大学本科，斯坦福大学博士。

他最广为人知的贡献是发明了DDIM（Denoising Diffusion Implicit Models）。如果你用过任何基于扩散模型的图像生成工具，从Stable Diffusion到DALL·E，背后几乎都离不开DDIM带来的采样加速技术。

这篇论文至今被引用超过万次，并获得ICLR 2022 Outstanding Paper Award。

沈博魁，斯坦福大学本科及博士。

他的代表作获得了CVPR 2018 Best Paper Award——CVPR是计算机视觉领域的顶级会议，每年仅有极少数论文能获此殊荣。此外，他还入选了RSS 2022 Best Student Paper Finalist。

一位是扩散模型加速的奠基人，一位是计算机视觉的顶尖研究者——两位华人学者联手，带领一支精锐小队，选择了一条和大厂截然不同的路线：

不是把理解和生成分开做，而是用一个统一的模型把两件事一起搞定。

统一模型：给逻辑大脑长出“心灵之眼”

Uni-1的核心理念，用Luma自己的话说，就是“给逻辑大脑长出心灵之眼”。

传统路线下，图像理解（看图说话、物体检测）和图像生成（文生图、图像编辑）是两套独立的系统。但Uni-1采用了一种decoder-only自回归Transformer架构，将文本和图像表示在同一个交错序列中——既是输入，也是输出。

这意味着，Uni-1不需要分别训练“理解模块”和“生成模块”，而是在一个统一框架内同时建模时间、空间和逻辑。

更有意思的是，Luma发现生成训练能显著提升理解能力。换句话说，当模型学会“画画”之后，它“看图”的能力也变强了——这和人类的认知规律竟然高度一致。

在推理式生成任务中，Uni-1会在合成图像前进行结构化的内部推理：先分解指令、规划构图，然后再渲染输出

这种“先想后画”的能力，让它在RISEBench（评估时间推理、因果推理、空间推理和逻辑推理四个维度的基准测试）上取得了世界最优成绩

在开放词汇密集检测（ODinW-13）基准上，Uni-1同样展现出了强劲的竞争力——要知道，这是一个传统上由纯理解模型主导的领域。一个统一模型能在理解任务上也不输专门的理解模型，本身就已经是一个重要的信号。

为什么这很重要？

把Uni-1放到更大的AI行业图景中看，有两件事值得关注：

第一，统一模型可能是下一代视觉AI的方向。

当理解和生成不再是两个独立系统，而是同一个模型的两面，很多过去需要复杂pipeline的任务——多轮编辑、参考图合成、风格迁移——都可以在一个模型内优雅地完成。Uni-1已经在这些任务上展示了这种优势。

第二，顶尖AI研究不一定需要万人团队和无限算力。

不到15人的华人研究团队，在一个被Google和OpenAI主导的赛道上做出了世界级的成果。这再次证明：在正确的技术路线上，优秀的人才密度可以弥补资源的差距。

Luma表示，Uni-1只是第一步。下一阶段，这个统一框架将从静态图像扩展到视频、语音、交互式世界模拟——最终目标是构建能够“看、说、推理、想象”的统一多模态系统。

从一个不到15人的华人团队开始，这个目标或许并不遥远。

Luma AI官方博客：https://lumalabs.ai/uni-1