OmniGen2 是智源研究院推出的多模態生成模型。和Flux.1 Kontext類似，能通過文字修改圖片，它把視覺理解、文本轉圖像合成、基于指令的圖像編輯，以及主題驅動的上下文生成集成到同一個框架里。這個模型采用解耦架構，在保留語言建模能力的同時，能輸出細節細膩且風格統一的視覺效果。另外，它還引入了多模態反思機制，可以對生成結果進行分析、審視并迭代優化，將推理和自我修正融入圖像生成過程，讓它在生成和理解任務上都有出色表現，成為輕量級開源模型的新標桿。

核心功能

• 文本轉圖像生成：用戶能根據文本描述生成各種場景和角色的圖像，比如 “戴皇冠的貓躺在天鵝絨王座上”“黑暗巫師在古老洞穴里施展魔法” 這類描述。

• 圖像編輯功能：支持對生成的圖像進行多種修改，像改變服裝顏色、更換背景，或是添加、刪除畫面元素等操作。

• 風格轉換：可以把圖像轉換成不同的藝術風格，比如動漫風、油畫風都能實現。

• 角色和場景合成：能把不同圖像里的角色或元素組合到新場景中，例如 “讓第一張圖的女孩和第二張圖的男孩在教堂舉行婚禮”。

特點

• 高質量輸出：生成的圖像細節豐富，視覺效果出眾。

• 靈活的編輯能力：提供多種編輯選項，用戶能根據需求定制圖像。

• 開源特性：作為開源項目，為開發者和研究者提供了更多探索開發的可能。

使用場景

• 創意設計：設計師可以借助 OmniGen2 快速生成設計概念和草圖。

• 內容創作：內容創作者能生成各種場景和角色的圖像，用于故事創作、視頻制作等場景。

• 教育與研究：教育工作者和研究人員可以把它作為教學和研究工具，探索多模態生成技術的應用。

應用例子

• 圖像生成：通過文本描述生成各類場景和角色的圖像，比如 “戴皇冠的貓躺在天鵝絨王座上”。

• 圖像編輯：對生成的圖像進行修改，例如改變服裝顏色、更換背景等操作。

• 圖像合成：將不同圖像的元素組合到新場景中，比如 “讓第一張圖的女孩和第二張圖的男孩在教堂結婚”。

關鍵問題

1. OmniGen2 的核心創新點是什么？

OmniGen2 的核心創新在于采用雙路徑解耦架構整合多模態生成能力，引入多模態反思機制實現輸出的自我優化，同時設計 Omni-RoPE 位置嵌入來提升圖像編輯和上下文生成的一致性，這些創新讓它在輕量級開源模型中樹立了新基準。

2. OmniGen2 在圖像編輯方面能實現哪些具體操作？

OmniGen2 在圖像編輯上能完成多種精細操作，包括對象處理（比如添加或移除對象，像給人物加漁夫帽、去掉畫面里的貓）、風格變換（比如把背景改成教室場景、將風格轉為吉卜力工作室風格）、顏色調整（比如把裙子顏色改成藍色）、表情修改（比如讓人物露出微笑）、動作編輯（比如讓人物舉起手）等，同時還能保持未編輯區域的視覺真實感和一致性。

3. 多模態反思機制如何提升 OmniGen2 的生成質量？

多模態反思機制讓 OmniGen2 能夠評估自己的輸出結果，識別出描述與圖像內容不符的情況（比如 “三個披薩” 但圖像里只有一個時會提示添加）、顏色或位置錯誤（比如黃色西蘭花生成成綠色時會提示改色，狗出現在椅子上而不是黃色餐桌上時會提示調整位置）等問題，并通過迭代優化生成更符合要求的結果，從而增強了輸出的可控性、可靠性和質量。

項目主頁：https://vectorspacelab.github.io/OmniGen2/

技術論文：https://github.com/VectorSpaceLab/OmniGen2

在線試用：https://huggingface.co/OmniGen2/OmniGen2

注：Flux.1 Kontext是德國黑森林實驗室（Black Forest Labs）開發的圖像生成與編輯工具。它可以根據文本和圖像提示生成和編輯圖像，包括修改對象、轉換風格、替換背景、保持角色一致性和編輯文本等。和傳統文本到圖像模型不一樣，它支持上下文圖像生成，能同時結合文本和圖像提示，直接提取和修改視覺概念，生成新的連貫圖像。