Skywork-UniPic 模型核心能力包含：
圖文理解：基于 token 預測完成文本的自回歸建模
圖像生成：采用掩碼自回歸方式，逐步生成圖像 patch
圖像編輯：引入?yún)⒖紙D與編輯指令作為條件，生成編輯后的圖像
此外，Skywork-UniPic 完成端到端優(yōu)化流程，能夠實現(xiàn)生成、理解、編輯三大能力的協(xié)同訓練和相互促進，突破傳統(tǒng)方法中能力權衡的技術瓶頸。
這一架構設計不僅保持了自回歸模型的簡潔高效，更通過共享編碼器實現(xiàn)了跨任務的深度協(xié)同，為多模態(tài)統(tǒng)一模型的實用化部署奠定了堅實基礎。
用戶只需要輸入提示詞，Skywork-UniPic 既可以像 VLM 一樣理解圖像、像 T2I 模型一樣生成圖片，還可以像美圖工具一樣，一鍵實現(xiàn)風格轉繪/吉卜力化的編輯功能。
02
模型優(yōu)勢：1.5B 輕量級規(guī)模性能逼近同類大參數(shù)統(tǒng)一模型，詮釋了“小而美”的技術美學
團隊在追求模型能力極限的同時，也堅持效率重要性的設計理念。Skywork UniPic 以 1.5B 的緊湊參數(shù)規(guī)模，真正詮釋了“小而美”的技術美學：
多重技術亮點
指令遵循能力媲美大型模型：在 GenEval 指令遵循評估中取得 0.86 的優(yōu)異成績，超越了絕大多數(shù)同類統(tǒng)一模型，在無 CoT 的情況下取得了 SOTA 分數(shù)，逼近較大模型 BAGEL（7B+7B*）帶 CoT 的 0.88 分；
復雜指令生圖能力領先：在 DPG-Bench 復雜指令生圖基準上達到 85.5 分的行業(yè) SOTA 水平；
圖像編輯能力統(tǒng)一模型第一梯隊：GEditBench-EN 獲得 5.83 分，ImgEdit-Bench 達到3.49分，展現(xiàn)出精準的編輯執(zhí)行能力；
參數(shù)效率優(yōu)勢顯著：相比同類大參數(shù)統(tǒng)一模型（如 BAGEL 的 14B 總參數(shù)、UniWorld-V1 的 19B 總參數(shù)），Skywork UniPic 以 1.5B 的輕量級規(guī)模實現(xiàn)了接近甚至超越大參數(shù)模型的性能表現(xiàn)；
部署友好，真正可落地：模型在 RTX 4090 消費級顯卡上均可流暢運行，為廣大開發(fā)者和研究者提供了真正可落，地的統(tǒng)一模型解決方案，大幅降低了技術應用門檻。
03
Skywork-UniPic是怎樣煉成的？
?? 數(shù)據(jù)構建：億級高質量語料庫支撐統(tǒng)一模型預訓練
首先，Skywork UniPic 的卓越性能，并非源自數(shù)據(jù)堆疊的蠻力，而是得益于一套高度精煉、系統(tǒng)優(yōu)化的數(shù)據(jù)構建體系。
團隊突破了“更大即更強”的傳統(tǒng)認知邊界，通過約億級規(guī)模的精選預訓練語料與數(shù)百萬級任務精調（SFT）樣本，成功構建出一套面向理解、生成與編輯三大核心任務的高效能多模態(tài)訓練語料庫。
這一構建體系產(chǎn)生的語料庫不僅顯著壓縮了訓練資源成本，更在模型泛化能力與任務遷移表現(xiàn)上展現(xiàn)出驚人的性價比，充分驗證了小規(guī)模、精篩選、高質量數(shù)據(jù)對統(tǒng)一多模態(tài)模型訓練的可行性與潛力。
?? 獎勵模型構建：數(shù)據(jù)質量驅動的智能評估體系
其次，為了確保 Skywork UniPic 在圖像生成和編輯任務上的卓越表現(xiàn)，我們設計了專用于圖像生成的Reward Model（Skywork-ImgReward）和專用于圖片編輯的Reward Model (Skywork-EditReward）。
其中，Skywork-ImgReward是基于強化學習訓練的Reward Model，相比于其他T2I Reward Model，Skywork-ImgReward在多個文生圖場景下的偏好選擇表現(xiàn)都更接近人類偏好。它不僅被用來作為文生圖數(shù)據(jù)質量的篩選，也可以在后續(xù)被用于圖像生成能力強化學習訓練中的獎勵信號，以及作為生成圖像的質量評估指標。
同時面對圖像編輯這一核心挑戰(zhàn)，我們創(chuàng)新性地構建了具有針對性的Skywork-EditReward，其被用作數(shù)據(jù)質量評估時可以自動剔除超過30%的低質量編輯樣本，在 GEditBench-EN 和 ImgEdit-Bench 基準測試中表現(xiàn)明顯改善。后續(xù)同樣也可以被用作圖像編輯強化學習訓練中的獎勵信號，以及作為圖像編輯的質量評估指標。
?? 訓練體系優(yōu)化與策略提升
MAR訓練優(yōu)化體系：為提升模型表現(xiàn)，我們采用了兩項關鍵優(yōu)化策略：首先，在數(shù)據(jù)層面引入覆蓋更廣視覺場景和類別的億級專有圖像數(shù)據(jù)，顯著拓展了模型的學習空間。其次，訓練過程中采用漸進式分辨率提升策略，先在256×256分辨率下建立穩(wěn)定的底層特征抽取能力，再逐步遷移至512×512，以增強模型的語義理解和細粒度建模能力。
HARMON訓練優(yōu)化體系：為進一步提升模型性能并兼顧訓練效率，我們設計了多階段分層分辨率訓練機制。在第一階段，模型在512×512分辨率下進行微調，聚焦基礎特征提取的穩(wěn)定性與收斂性。隨后逐步提升輸入分辨率至1024×1024，促使模型更好地捕捉紋理、邊緣等高精度細節(jié)信息。
同時，我們采用分階段參數(shù)解凍策略，逐步釋放模型能力。在初始階段，僅訓練Projector模塊以實現(xiàn)視覺與語言特征的對齊，凍結主干網(wǎng)絡和LLM參數(shù)；接著在保持LLM編碼器凍結的前提下優(yōu)化視覺主干；最后進入全量解凍階段，進行端到端聯(lián)合優(yōu)化，實現(xiàn)多模態(tài)協(xié)同增強。
漸進式多任務訓練策略：為解決理解、生成和編輯三類任務難以兼得的問題，我們提出漸進式多任務訓練機制。
訓練初期，模型先專注于單一任務（如文本生成圖像），待其收斂后再引入理解與編輯任務，按照由易到難的順序逐步增加任務復雜度，避免多任務早期相互干擾。在精細化階段，我們通過獎勵模型篩選構建高質量訓練數(shù)據(jù)，采用動態(tài)閾值與多樣性采樣策略，確保樣本既具高置信度又具語義多樣性。
整體來看，以上策略在訓練過程中實現(xiàn)了結構合理的能力釋放和任務適應，顯著提升了模型在理解、生成和編輯等任務上的統(tǒng)一表現(xiàn)，達成真正意義上的“一專多能”。
過去半年，昆侖萬維已經(jīng)開源了多個SOTA大模型，涵蓋獎勵模型、推理、軟件工程、多模態(tài)、空間智能等領域。今天，Skywork-UniPic 正式加入「Skywork」開源大家庭，讓AI真正成為每個人觸手可及的創(chuàng)意伙伴。
昆侖萬維開源系列
?? 更多 Skywork 系列開源模型，可查看：https://huggingface.co/Skywork
