概述
本研究提出的 Skywork UniPic 是一个 1.5B 参数的自回归模型，它将图像理解、从文本生成图像和图像编辑集成在一个架构中。
传统上，许多多模态人工智能在单独的模型和适配器中处理理解、生成和编辑，导致性能分散和推理成本增加。
UniPic 采用了 “解耦编码策略”，在一个共同的 LLM 骨干上连接了以生成为重点的屏蔽自回归（MAR）编码器和以理解为重点的 SigLIP2 编码器，从而实现了特定任务优化和相互知识转移。此外，该系统还结合了 1 亿规模的高质量数据集、带有奖励模型的数据质量管理以及从 256 像素到 1024 像素的渐进式分辨率扩展学习，从而在 RTX 4090 等常见 GPU 环境中实现高清图像生成。
评估结果表明，GenEval 0.86、DPG-Bench 85.5 和 GEdit-Bench 5.83 等模型具有很高的性能，与同等规模和尺度的现有集成模型相比具有很强的竞争力。
建议的方法
Skywork UniPic 的主要特点是采用 “解耦编码策略”，将图像理解、生成和编辑高效集成到一个模型中。
在生成任务中，使用 MAR 编码器-解码器支持高分辨率合成，同时保持像素级保真度。
另一方面，理解任务使用 SigLIP2 编码器进行语义丰富的特征提取。
两者通过独立的 MLP 投影层连接到 15 亿参数的 Qwen2.5 主干网，从而通过统一的自回归处理实现任务间的知识共享。
学习以四级课程结构进行，从 MAR 预学习、MAR-LLM 对齐、任务集成优化到利用奖励模型的 SFT。
数据质量保证使用在 GRPO 和 Skywork-EditReward 上训练的 Skywork-ImgReward（专门保证编辑准确性），以建立可用于各种编辑和生成场景的数据集，同时消除低质量样本。
实验
实验在三个领域进行：图像生成、图像编辑和图像理解。
在图像生成任务中，使用了 GenEval（建设性理解）和 DPG-Bench（长指令跟踪），UniPic 在 GenEval 中的准确率为 0.86，在 DPG-Bench 中的准确率为 85.5。
在单个对象生成、多个对象组合和位置理解方面，UniPic 的准确率尤其高。
在编辑任务方面，UniPic 在 GEdit-Bench 和 ImgEdit-Bench 分别取得了 5.83 和 3.49 的高分，在行为编辑和风格修改等特定类别中表现出了优势。
比较对象包括 OmniGen2 和 BAGEL 等集成模型，以及 ICEdit 和 Step1X-Edit 等专业编辑模型。
此外，UniPic 还能在 RTX 4090 上生成 1024 x 1024 分辨率的图像，GPU 内存不足 15 GB，这证明了它作为集成式多模态基础设施模型的实用性，在性能、效率和多功能性方面取得了良好的平衡。
