7月30日，昆仑万维正式推出并开源采用自回归路线的「多模态统一预训练模型 Skywork UniPic」，在单一模型中深度融合图像理解、文本到图像生成、图像编辑三大核心能力。该模型基于大规模高质量数据进行端到端预训练，具备良好的通用性与可迁移性。
秉持开放协作、共享创新的理念，昆仑万维面向社区全面开放 Skywork UniPic 的核心资源：
模型权重：
https://huggingface.co/Skywork/Skywork-UniPic-1.5B
技术报告：
https://github.com/SkyworkAI/UniPic/blob/main/UNIPIC.pdf
代码仓库：
https://github.com/SkyworkAI/UniPic
01
Skywork UniPic：统一自回归模型实现图片生成、编辑与理解一体化
GPT-4o的迅速走红，标注着人工智能领域多模态统一预训练模型的成熟。Skywork UniPic 延续了 GPT-4o 的自回归范式，在单一模型中深度融合图像理解、文本生成图像（T2I）与图像编辑三大核心任务，构建了真正统一的多模态模型架构。
传统多模态统一模型多依赖 VQ 或 VAE 编码器来压缩视觉内容，虽然具备一定效果，但也存在局限性，它们更侧重保留图像的视觉细节而非语义信息，这会在一定程度上削弱模型的图像理解能力。
为此，Skywork UniPic 团队借鉴 Harmon 架构设计，并在表征方式上做出关键调整：采用 MAR 编码器作为图像生成路径的视觉表征基础，同时引入 SigLIP2 作为图像理解路径的主干。
该结构设计的核心洞察在于：能否构建一个轻量级统一模型，在保持实际部署可行性的同时，在理解、生成与编辑任务上均达到顶尖性能？
Skywork-UniPic 模型核心能力包含：
图文理解：基于 token 预测完成文本的自回归建模
图像生成：采用掩码自回归方式，逐步生成图像 patch
图像编辑：引入参考图与编辑指令作为条件，生成编辑后的图像
此外，Skywork-UniPic 完成端到端优化流程，能够实现生成、理解、编辑三大能力的协同训练和相互促进，突破传统方法中能力权衡的技术瓶颈。
这一架构设计不仅保持了自回归模型的简洁高效，更通过共享编码器实现了跨任务的深度协同，为多模态统一模型的实用化部署奠定了坚实基础。
用户只需要输入提示词，Skywork-UniPic 既可以像 VLM 一样理解图像、像 T2I 模型一样生成图片，还可以像美图工具一样，一键实现风格转绘/吉卜力化的编辑功能。
02
模型优势：1.5B 轻量级规模性能逼近同类大参数统一模型，诠释了“小而美”的技术美学
团队在追求模型能力极限的同时，也坚持效率重要性的设计理念。Skywork UniPic 以 1.5B 的紧凑参数规模，真正诠释了“小而美”的技术美学：
多重技术亮点
指令遵循能力媲美大型模型：在 GenEval 指令遵循评估中取得 0.86 的优异成绩，超越了绝大多数同类统一模型，在无 CoT 的情况下取得了 SOTA 分数，逼近较大模型 BAGEL（7B+7B*）带 CoT 的 0.88 分；
复杂指令生图能力领先：在 DPG-Bench 复杂指令生图基准上达到 85.5 分的行业 SOTA 水平；
图像编辑能力统一模型第一梯队：GEditBench-EN 获得 5.83 分，ImgEdit-Bench 达到3.49分，展现出精准的编辑执行能力；
参数效率优势显著：相比同类大参数统一模型（如 BAGEL 的 14B 总参数、UniWorld-V1 的 19B 总参数），Skywork UniPic 以 1.5B 的轻量级规模实现了接近甚至超越大参数模型的性能表现；
部署友好，真正可落地：模型在 RTX 4090 消费级显卡上均可流畅运行，为广大开发者和研究者提供了真正可落，地的统一模型解决方案，大幅降低了技术应用门槛。
03
Skywork-UniPic是怎样炼成的？
📖 数据构建：亿级高质量语料库支撑统一模型预训练
首先，Skywork UniPic 的卓越性能，并非源自数据堆叠的蛮力，而是得益于一套高度精炼、系统优化的数据构建体系。
团队突破了“更大即更强”的传统认知边界，通过约亿级规模的精选预训练语料与数百万级任务精调（SFT）样本，成功构建出一套面向理解、生成与编辑三大核心任务的高效能多模态训练语料库。
这一构建体系产生的语料库不仅显著压缩了训练资源成本，更在模型泛化能力与任务迁移表现上展现出惊人的性价比，充分验证了小规模、精筛选、高质量数据对统一多模态模型训练的可行性与潜力。
📖 奖励模型构建：数据质量驱动的智能评估体系
其次，为了确保 Skywork UniPic 在图像生成和编辑任务上的卓越表现，我们设计了专用于图像生成的Reward Model（Skywork-ImgReward）和专用于图片编辑的Reward Model (Skywork-EditReward）。
其中，Skywork-ImgReward是基于强化学习训练的Reward Model，相比于其他T2I Reward Model，Skywork-ImgReward在多个文生图场景下的偏好选择表现都更接近人类偏好。它不仅被用来作为文生图数据质量的筛选，也可以在后续被用于图像生成能力强化学习训练中的奖励信号，以及作为生成图像的质量评估指标。
同时面对图像编辑这一核心挑战，我们创新性地构建了具有针对性的Skywork-EditReward，其被用作数据质量评估时可以自动剔除超过30%的低质量编辑样本，在 GEditBench-EN 和 ImgEdit-Bench 基准测试中表现明显改善。后续同样也可以被用作图像编辑强化学习训练中的奖励信号，以及作为图像编辑的质量评估指标。
💡 训练体系优化与策略提升
MAR训练优化体系：为提升模型表现，我们采用了两项关键优化策略：首先，在数据层面引入覆盖更广视觉场景和类别的亿级专有图像数据，显著拓展了模型的学习空间。其次，训练过程中采用渐进式分辨率提升策略，先在256×256分辨率下建立稳定的底层特征抽取能力，再逐步迁移至512×512，以增强模型的语义理解和细粒度建模能力。
HARMON训练优化体系：为进一步提升模型性能并兼顾训练效率，我们设计了多阶段分层分辨率训练机制。在第一阶段，模型在512×512分辨率下进行微调，聚焦基础特征提取的稳定性与收敛性。随后逐步提升输入分辨率至1024×1024，促使模型更好地捕捉纹理、边缘等高精度细节信息。
同时，我们采用分阶段参数解冻策略，逐步释放模型能力。在初始阶段，仅训练Projector模块以实现视觉与语言特征的对齐，冻结主干网络和LLM参数；接着在保持LLM编码器冻结的前提下优化视觉主干；最后进入全量解冻阶段，进行端到端联合优化，实现多模态协同增强。
渐进式多任务训练策略：为解决理解、生成和编辑三类任务难以兼得的问题，我们提出渐进式多任务训练机制。
训练初期，模型先专注于单一任务（如文本生成图像），待其收敛后再引入理解与编辑任务，按照由易到难的顺序逐步增加任务复杂度，避免多任务早期相互干扰。在精细化阶段，我们通过奖励模型筛选构建高质量训练数据，采用动态阈值与多样性采样策略，确保样本既具高置信度又具语义多样性。
整体来看，以上策略在训练过程中实现了结构合理的能力释放和任务适应，显著提升了模型在理解、生成和编辑等任务上的统一表现，达成真正意义上的“一专多能”。
过去半年，昆仑万维已经开源了多个SOTA大模型，涵盖奖励模型、推理、软件工程、多模态、空间智能等领域。今天，Skywork-UniPic 正式加入「Skywork」开源大家庭，让AI真正成为每个人触手可及的创意伙伴。
昆仑万维开源系列
🔗 更多 Skywork 系列开源模型，可查看：https://huggingface.co/Skywork
