开源版MetaQuery来了！OpenUni用1.1B参数媲美BLIP3-o-8B，数据代码完全开源

作者


随着 GPT-4o 展现出令人印象深刻的多模态能力，将视觉理解和图像生成统一到单一模型中已成为 AI 领域的研究趋势（如MetaQuery 和 BLIP3-o ）。

南洋理工大学 S-Lab 和商汤科技的研究团队推出 OpenUni，一个开源版 MetaQuery，仅用 1.1B 参数达到 8B 模型性能，更将代码、权重、数据全部开源！



  • 技术报告： OpenUni: A Simple Baseline for Unified Multimodal Understanding and Generation

  • 机构： 南洋理工大学 S-Lab、商汤科技新加坡研究院

  • 作者： Size Wu*,  Zhonghua Wu*, Zerui Gong* (* 同等贡献), Qingyi Tao, Sheng Jin, Qinyue Li, Wei Li, Chen Change Loy

  • 开源代码： 

    https://github.com/wusize/OpenUni

  • 联系方式： size001@e.ntu.edu.sg


架构图，OpenUni 架构：通过 256 个可学习查询和 6 层轻量连接器，桥接冻结的 InternVL（理解）与 SANA（生成）


图 1：OpenUni 在生成任务上的性能表现，展示了其高效的参数利用


三大核心优势


1. 🏗️ 架构极简


仅 6 层连接器，相比 MetaQuery 的 24 层大幅精简


2. ⚡ 参数高效


1.1B 参数达到 GenEval 0.84 分，与 BLIP3-o-8B 模型性能相当


3. 📂 完全开源

模型权重 + 训练代码 + 2300 万数据集全部公开


架构设计与训练策略


OpenUni 遵循 MetaQuery 的设计理念，包含四个核心组件：


1.256 个可学习查询 – 从用户指令中提取条件信息


2. 冻结的 InternVL – 保持原有理解能力


3.6 层 transformer 连接器 – 基于 ViT 架构


4.SANA 扩散模型 – 高效图像生成


模型对比

* 对于 BLIP3-o，将预测 CLIP 特征的 DiT 视为连接器


关键特点： – 连接器参数大幅减少 – 使用更小的 MLLM 和扩散模型 – 训练数据完全公开


两阶段训练策略


第一阶段：预训练（2300 万图文对）


  • 目标：训练可学习查询和连接器

  • 策略：冻结 MLLM 和扩散模型

  • 数据：公开数据集，使用 LLM/MLLM 重新标注


第二阶段：微调（6 万图文对）


  • 目标：提升生成质量

  • 策略：解冻扩散模型，联合优化

  • 数据：BLIP3-o 贡献的高质量数据集



性能验证


OpenUni 在参数效率上表现出色：


  • OpenUni-B-512：1.1B 激活参数，GenEval 达到 0.84 分，与 BLIP3-o-8B 持平

  • OpenUni-L-512：3.1B 激活参数，GenEval 达到 0.85 分

  • OpenUni-L-1024：3.1B 激活参数，GenEval 达到 0.86 分，为开源统一模型最佳


其他基准测试


  • DPG-Bench：OpenUni-L-1024 获得 83.08 分，超越所有 MetaQuery 和 BLIP3-o 变体

  • WISE：OpenUni-L 达到 0.52 分，与 BLIP3-o-8B（公开数据版）持平


生成效果展示


图 2：OpenUni-L-1024 生成的多样化高质量图像


多模态理解能力


由于采用冻结 InternVL3 的策略，OpenUni 继承了其理解能力：


图 3：OpenUni-L 的多模态理解能力展示


理解基准测试



应用前景与开源贡献


OpenUni 提供完整的开源资源：


✅ 模型权重 – 所有训练阶段的 checkpoint

✅ 训练代码 – 完整训练 pipeline

✅ 2300 万训练数据 – 包含重新生成的 caption

✅ 详细文档 – 训练配置和复现指南


研究团队指出了当前的局限：


  • 生成图像中渲染文字的能力有限

  • 最大模型基于 2B MLLM 和 1.6B 扩散模型，有待扩展

  • 图像到图像生成任务将在未来版本支持

  • GenEval 的局限性，由于 prompt 范式固定，模型经过 GPT4o 蒸馏数据（BLIP4o-60K）微调后在 GenEval 上大幅提升；作为统一模型（Show-o,Janus,Harmon,Bagel）常用的指标，GenEval 难以再真正衡量模型能力


总结


OpenUni 为统一多模态模型提供了一个简单但强大的基线。通过极简的架构设计和高效的参数利用，OpenUni 展示了：


  • 更少的参数可以达到有竞争力的性能

  • 简单的设计往往更有效

  • 完全开源促进社区研究和创新


作为一个持续进行的项目，OpenUni 为研究社区提供了清晰、可复现、易扩展的基线实现。


©

（文：机器之心）

发表评论