深圳新聞網(wǎng)2025年11月5日訊（記者 劉惠敏）你是否曾遇到過這些情況：用文字指令來編輯圖片時，AI似乎無法完全理解你的意思。比如，想給照片里的貓戴上一頂帽子，AI生成的結(jié)果中帽子可能位置不對或者風(fēng)格怪異；想把照片中的“紅色轎車”換成“藍(lán)色”，AI卻可能把畫面里所有的紅色物體都改了個遍。

現(xiàn)在，一項來自中國團(tuán)隊的技術(shù)突破，正在讓圖像編輯變得前所未有的簡單和精準(zhǔn)。

日前，深圳兔展智能科技有限公司與北京大學(xué)的UniWorld團(tuán)隊聯(lián)合發(fā)布新一代圖像編輯模型UniWorld-V2，首次將強化學(xué)習(xí)（RL）策略優(yōu)化應(yīng)用于統(tǒng)一架構(gòu)的圖像編輯模型，是第一個視覺強化學(xué)習(xí)框架。UniWorld-V2在權(quán)威測試中取得了SOTA成績（State of the Art，在特定領(lǐng)域或任務(wù)中性能保持領(lǐng)先水平），在綜合表現(xiàn)上超越了如OpenAI的GPT-Image-1等頂尖閉源模型。

從“大概聽懂”到“精確理解”

過去AI模型的普遍痛點在于，對圖片內(nèi)容的理解不夠細(xì)致、精準(zhǔn)。

UniWorld-V2模型的強大之處，就在于它極大地解決了這個“精準(zhǔn)理解”的難題。它不僅能聽懂用戶的文字指令，更能像人一樣，精準(zhǔn)地“看懂”圖片中的每一個細(xì)節(jié)和對象。無論是讓你圈出圖中的某個部分，還是直接口頭描述你想修改的地方，UniWorld-V2都能準(zhǔn)確鎖定目標(biāo)，實現(xiàn)“指哪打哪”的精確編輯。

在兔展智能與北京大學(xué)的UniWorld團(tuán)隊聯(lián)合發(fā)布的論文中，不少示例展現(xiàn)了強大的中文字體掌握與精細(xì)化可控能力。例如，當(dāng)用戶提出“把中間白色衣服戴口罩女生的手勢改成OK”時，UniWorld-V2可以準(zhǔn)確完成修改，而同類模型Nano Banana則未能理解指令意圖。

“海報編輯”示例中，模型能精準(zhǔn)理解指令，并渲染出“月滿中秋”和“月圓人圓事事圓”等筆畫復(fù)雜的藝術(shù)中文字體，效果清晰、語義準(zhǔn)確。

在“紅框控制”任務(wù)中，用戶可以通過畫框（如紅色矩形框）來指定編輯區(qū)域，模型能夠嚴(yán)格遵守該空間限制，實現(xiàn)“將鳥移出紅框”等高難度精細(xì)操作。

此外，模型能深刻理解“給場景重新打光”等指令，使物體自然融入場景之中，讓畫面變得更統(tǒng)一和諧，并且光影融合度極高。

核心驅(qū)動力：全球首個視覺強化學(xué)習(xí)框架UniWorld-R1

實現(xiàn)以上功能，研究團(tuán)隊的核心創(chuàng)新在于提出了UniWorld-R1框架。

傳統(tǒng)的圖像編輯模型依賴監(jiān)督微調(diào)（SFT），普遍存在對訓(xùn)練數(shù)據(jù)過擬合、泛化能力差的問題。此外，還存在面對編輯指令和任務(wù)的多樣性，缺乏通用獎勵模型的瓶頸。

UniWorld-R1框架的創(chuàng)新設(shè)計首次將強化學(xué)習(xí)策略優(yōu)化應(yīng)用于圖像編輯領(lǐng)域，并創(chuàng)新性地使用多模態(tài)大語言模型作為獎勵模型，顯著提升了模型與人類意圖的對齊能力。

在GEdit-Bench和ImgEdit等權(quán)威測試中，UniWorld-V2分別獲得7.83和4.49的高分，超越了所有參與對比的開源和閉源模型。值得注意的是，UniWorld-R1框架同樣適用于其他基礎(chǔ)模型，能有效提升其編輯性能。

目前，該研究的論文、代碼和模型已在GitHub和Hugging Face平臺開源，為后續(xù)研究提供了重要基礎(chǔ)。

有分析指出，這項技術(shù)的突破，將極大降低專業(yè)圖像編輯的門檻，推動圖像編輯技術(shù)走向更智能、更可控、更實用的新階段，并催生全新的應(yīng)用場景。

（本文圖片來自相關(guān)論文及受訪單位）