告别“词不达意” 国产图像编辑模型UniWorld-V2综合表现超越OpenAI旗下大模型

深圳新闻网2025年11月5日讯（记者 刘惠敏）你是否曾遇到过这些情况：用文字指令来编辑图片时，AI似乎无法完全理解你的意思。比如，想给照片里的猫戴上一顶帽子，AI生成的结果中帽子可能位置不对或者风格怪异；想把照片中的“红色轿车”换成“蓝色”，AI却可能把画面里所有的红色物体都改了个遍。

现在，一项来自中国团队的技术突破，正在让图像编辑变得前所未有的简单和精准。

日前，深圳兔展智能科技有限公司与北京大学的UniWorld团队联合发布新一代图像编辑模型UniWorld-V2，首次将强化学习（RL）策略优化应用于统一架构的图像编辑模型，是第一个视觉强化学习框架。UniWorld-V2在权威测试中取得了SOTA成绩（State of the Art，在特定领域或任务中性能保持领先水平），在综合表现上超越了如OpenAI的GPT-Image-1等顶尖闭源模型。

从“大概听懂”到“精确理解”

过去AI模型的普遍痛点在于，对图片内容的理解不够细致、精准。

UniWorld-V2模型的强大之处，就在于它极大地解决了这个“精准理解”的难题。它不仅能听懂用户的文字指令，更能像人一样，精准地“看懂”图片中的每一个细节和对象。无论是让你圈出图中的某个部分，还是直接口头描述你想修改的地方，UniWorld-V2都能准确锁定目标，实现“指哪打哪”的精确编辑。

在兔展智能与北京大学的UniWorld团队联合发布的论文中，不少示例展现了强大的中文字体掌握与精细化可控能力。例如，当用户提出“把中间白色衣服戴口罩女生的手势改成OK”时，UniWorld-V2可以准确完成修改，而同类模型Nano Banana则未能理解指令意图。

“海报编辑”示例中，模型能精准理解指令，并渲染出“月满中秋”和“月圆人圆事事圆”等笔画复杂的艺术中文字体，效果清晰、语义准确。

在“红框控制”任务中，用户可以通过画框（如红色矩形框）来指定编辑区域，模型能够严格遵守该空间限制，实现“将鸟移出红框”等高难度精细操作。

此外，模型能深刻理解“给场景重新打光”等指令，使物体自然融入场景之中，让画面变得更统一和谐，并且光影融合度极高。

核心驱动力：全球首个视觉强化学习框架UniWorld-R1

实现以上功能，研究团队的核心创新在于提出了UniWorld-R1框架。

传统的图像编辑模型依赖监督微调（SFT），普遍存在对训练数据过拟合、泛化能力差的问题。此外，还存在面对编辑指令和任务的多样性，缺乏通用奖励模型的瓶颈。

UniWorld-R1框架的创新设计首次将强化学习策略优化应用于图像编辑领域，并创新性地使用多模态大语言模型作为奖励模型，显著提升了模型与人类意图的对齐能力。

在GEdit-Bench和ImgEdit等权威测试中，UniWorld-V2分别获得7.83和4.49的高分，超越了所有参与对比的开源和闭源模型。值得注意的是，UniWorld-R1框架同样适用于其他基础模型，能有效提升其编辑性能。

目前，该研究的论文、代码和模型已在GitHub和Hugging Face平台开源，为后续研究提供了重要基础。

有分析指出，这项技术的突破，将极大降低专业图像编辑的门槛，推动图像编辑技术走向更智能、更可控、更实用的新阶段，并催生全新的应用场景。

（本文图片来自相关论文及受访单位）