智源研究院发布OmniGen2：新一代开源统一图像生成模型，多模态能力全面升级

智源研究院近日正式发布新一代统一图像生成模型OmniGen2，该模型在保持前代简洁架构的同时，通过技术升级显著提升了多模态生成能力。作为开源项目，其GitHub仓库上线一周即获得超过2000星标，海外社交平台相关话题浏览量达数十万次，引发AI社区广泛关注。

技术架构方面，OmniGen2采用分离式设计解耦文本与图像处理路径，通过ViT和VAE双编码器策略，在保证文本生成能力的同时提升图像一致性。模型基于Qwen2.5-VL-3B多模态大模型构建，参数量达40亿，支持通过特殊标记实现文图生成模式切换。值得注意的是，研发团队创新性地引入反思机制，使模型能对生成结果进行自我评估与迭代优化。

功能实现上，该模型具备三大核心能力：一是基于自然语言指令的图像编辑，可完成物体增删、色彩调整等精细化操作；二是多模态上下文参考生成，能提取输入图像元素合成新场景；三是任意比例的文生图功能。测试数据显示，在GenEval和DPG-Bench等基准测试中，其图像生成质量评分分别达到0.86和83.57，较开源竞品提升显著。

为突破数据瓶颈，研究团队重构训练流程，从140万视频帧中提取相似画面构建数据集，并开发配套的指令生成技术。目前模型权重、训练代码及数据集已全面开源，配套的FlagScale推理框架通过TeaCache加速策略实现32%效率提升，支持跨机多实例弹性部署。

据智源研究院透露，OmniGen2科研体验版已开放测试，后续将持续优化人脸相似度保持等专项能力。该模型的推出标志着国产多模态技术生态取得重要突破，为创意设计、数字内容生产等领域提供新的基础设施。