上周，谷歌推出了 Nano Banana 2 模型，以其快速且经济的特性在社交平台上引发了广泛关注。

与此同时，海外 AI 初创公司 Luma 发布了一款全新的图像生成模型 Uni-1。

Uni-1 是 Luma 首个将“理解”与“生成”功能统一在同一架构下的模型，旨在使 AI 不仅能够生成图像，还能更好地理解指令。

例如，它可以生成极具视觉冲击力的时尚杂志大片：

Prompt：Figure seen from behind wearing a flowing white cloak and wide-brimmed black hat standing in a vast field of tall vivid red grass, rolling hill stretching to the horizon, deep saturated blue sky with no clouds, strong color contrast between red field white fabric and blue sky, shot on medium format film, infrared photography aesthetic, high fashion editorial feel, sharp shadows, portrait orientation

也可以生成描绘同一棵樱花树四季更迭的图像：

Prompt：The four seasons of a single cherry blossom tree shown simultaneously in one image, divided into four vertical strips left to right: spring with pink blossoms and rain, summer with full green canopy and butterflies, autumn with red and gold leaves falling, winter with bare branches and fresh snow. Same tree, same angle, seamless transitions between seasons.

该模型采用 decoder-only 自回归 Transformer 架构，在 RISEBench 推理式生成基准测试中取得了领先成绩，并在 ODinW-13 开放词汇密集检测等理解任务上展现出强劲竞争力。

以下通过多组任务，对比 Uni-1 与 GPT Image 1.5 和 Google Nano Banana Pro 在相同提示词下的表现。

中文文字渲染：马年新春贺卡

Prompt：生成一张包含「新春快乐」、「马年大吉・万事如意」、「马年 二〇二六」等中文文字的马年新春贺卡。

中文文字渲染一直是图像生成模型的难点，涉及字符级别的精确控制和排版语义理解。Uni-1 生成的贺卡在文字完整性、排版合理性和视觉风格一致性上均优于对比模型。GPT Image 1.5 出现了文字排列混乱的问题，而 Nano Banana Pro 的文字渲染则存在明显的笔画瑕疵。

信息图理解与生成

海报提取为信息图

Prompt：将一张「THE BEES NEED YOU」公益海报提取为可用于生产的信息图，直接生成完整图片，不带任何占位框，清楚描述信息图中所有可见文字。

此任务同时考验模型的视觉理解能力（准确提取海报中的文字和版式信息）和生成能力（重新组织为清晰的信息图）。Uni-1 准确还原了文字内容并保持了正确的层级结构。而 GPT Image 1.5 混淆了文字层级，部分文字难以辨认；Nano Banana Pro 则未能完整呈现信息图内容。

密集文字信息图

Prompt：生成一张关于{水钟（Clepsydra）与古代计时}的密集文字信息图，包含多个知识板块和精细插图。

此任务要求模型在单张图像中同时处理大量文字、图表和插图元素。Uni-1 在布局规划、文字清晰度和图文配合方面的表现优于其他模型，其生成的信息图在多个知识板块之间保持了视觉层级和逻辑连贯性。

平铺式信息图

Prompt：生成「种子到植物生命周期」（Seed-to-Plant Life Cycle）的平铺式信息图。

Uni-1 准确呈现了完整的生命周期阶段，每个阶段的插图和标注文字清晰可辨。值得注意的是，在处理「Young Plant」到「Mature Plant」的过渡阶段时，Uni-1 正确呈现了植物形态的渐变关系，展现了对生物学常识的理解。

参考图引导生成

多参考图场景合成

Prompt：给定 4 张参考图（两只猫的形象、一位真人照片、Luma AI 的 logo），合成一个会议讨论场景 —— 一只猫在展示关于 Luma AI 的幻灯片，另一只猫在旁听，同时融入真人照片和品牌 logo。

这一任务要求模型同时理解多张参考图的语义身份，并将它们合理地组织在一个新场景中。Uni-1 准确保留了每个参考对象的身份特征，并实现了合理的场景构图。相比之下，GPT Image 1.5 将参考图的原始图片直接嵌入了幻灯片区域，缺乏语义层面的融合；Nano Banana Pro 则未能有效利用全部参考信息。

5 张参考图场景合成

Prompt：将 5 张参考图 ——3 只动物、一个 logo 和学术毕业礼帽 —— 融合为一个连贯场景。

Uni-1 在处理 5 个不同参考源时，准确保留了每只动物各自的身份特征（毛色花纹、品种、头部轮廓），同时将学术氛围元素和品牌 logo 有机地融入了同一画面，展现了对多源参考信息的精确控制能力。

漫画角色参考

Prompt：融合角色设计图和配色方案生成一个漫画角色，同时将品牌 logo 自然地融入角色身上。

Uni-1 准确地将配色方案应用于二维漫画角色，保持了角色设计和 logo 的完整性。GPT Image 1.5 则未能区分 2D 和 3D 风格，生成了偏写实的 3D 人偶；Nano Banana Pro 未能准确识别角色设计图的意图。

草稿 + 材质→产品渲染

Prompt：将外套设计草稿与面料材质参考结合，生成写实的产品概念图。

Uni-1 准确地将面料的纹理质感 —— 灯芯绒的条纹、高级面料的光泽和垂坠感 —— 映射到了草稿的轮廓上，生成了具有商业可用度的产品渲染图。这类任务在时装设计和工业设计领域具有直接的应用价值。

草稿引导编辑与转化

草稿引导的照片编辑

Prompt：将手绘草稿叠加转化为写实编辑 —— 在一张猫的照片旁，以草稿为参考添加一只彩色蝴蝶。

草稿转漫画

任务描述：将一张描绘猫站在书架上的多格漫画分镜草稿，转化为精细的漫画插图。

模型表现：Uni-1 完整保留了草稿中的分镜结构、角色动态及对话气泡位置，并将其转化为专业漫画画面。模型对细节的语义理解深刻，猫耳朵的弧度、烟灰缸的位置、书架上书本的排列，乃至手机屏幕上显示的“911”文字均被准确保留并精细化呈现。

风格迁移与角色一致性

发型迁移至名画

任务描述：将一位现代女性的棕金色层次发型迁移至《蒙娜丽莎》画像，同时保留原画的文艺复兴时期油画风格（如晕涂法）。

模型表现：该任务要求模型精确分离“需迁移元素”（发型形态与色彩）与“需保留元素”（画风、背景、衣着、面部神态）。Uni-1 在此展现了良好的控制力，在风格一致性与迁移准确性之间取得了平衡。

角色姿态迁移

任务描述：将真实人物的姿态迁移到一个虚构角色上，同时保持目标角色的身份特征与环境设定。

模型表现：参考图中一名男子在电梯间的半蹲姿势，被迁移至一个身着宇航服的拟人化老鼠角色上，场景也相应重构为工业风格背景。Uni-1 在准确还原参考姿态关节角度与重心分布的同时，完整保留了目标角色的身份特征，如鳞片状外衣、宇航服细节、耳机和口袋设计，体现了其对人体动力学与角色设计语义的双重理解。

故事板生成：钢琴前的一生

任务描述：生成6帧故事板，描绘同一角色从童年到老年在钢琴前的人生阶段。

模型表现：6帧画面中，角色的核心身份特征（如面部结构、肤色）随年龄增长平滑演变，而钢琴、画面透视与整体风格保持稳定。从第一帧的小男孩到最后一帧的大家庭合照，叙事连贯且时间逻辑清晰。这种跨帧的长程角色一致性与时间推理能力，是当前图像生成模型面临的核心挑战之一。

多轮交互编辑

多轮编辑

任务描述：对一张泰迪熊照片进行连续三轮编辑：1) 移除面前的泰迪熊；2) 在背景添加黑色布帘；3) 将整体转为黑白照片风格。

模型表现：多轮编辑是检验统一模型优势的典型场景。Uni-1 在每一轮都精准执行了新指令，同时保持了此前所有编辑结果的一致性以及画面空间布局的稳定。这得益于其统一架构——理解与生成在同一模型内部完成，无需在不同模块间进行信息传递与对齐。

专业视觉任务

UV贴图生成（对比）

任务描述：根据给定人物正面、左侧、右侧三张照片，生成符合标准面部拓扑/SMPL体布局的展开UV贴图。

模型表现：UV贴图生成是3D建模的关键环节。Uni-1 生成的UV贴图在面部特征对齐、左右对称性及肤色一致性方面均优于对比模型。对比中，GPT Image 1.5 出现了正脸与侧面贴图不一致的问题，而 Nano Banana Pro 则未能生成符合标准UV布局规范的结果。

技术路线：从“分治”到“统一”

当前视觉AI领域，图像理解（如视觉问答、物体检测）与图像生成（如文生图、图像编辑）长期作为两条独立技术路线发展，采用不同的模型架构与训练范式。

这种“分治”策略虽在各自领域取得进展，但也存在局限：理解模型缺乏视觉想象力，生成模型缺乏深层语义理解。涉及两者协同的复杂任务（如多轮引导编辑、基于推理的图像合成），往往需要拼接多个模型的复杂流程。

Uni-1 的核心设计思路是将这两种能力统一于单一模型，即在具备推理能力的模型基础上，同时赋予其视觉生成能力。

具体而言，Uni-1 采用仅解码器的自回归 Transformer 架构，将文本 token 与图像 token 表示在同一个交错序列中。在此框架下，文本和图像既可作输入条件，也可作生成输出，实现了对时间、空间和逻辑的联合建模。

这一架构带来一个重要发现：生成训练能够显著提升模型的细粒度理解能力。当模型通过生成任务学会“如何画出”一个场景后，其对场景的理解（包括物体关系、空间布局、语义层次）也随之增强。这与认知科学中关于“生成式心智模型”的假说相吻合。

Uni-1 的一个关键技术特征是推理式生成。在接收到复杂图像合成指令后，模型并非直接生成像素，而是先进行结构化内部推理：分解指令语义、规划画面构图、确定元素间逻辑关系，再执行渲染。

在评估此能力的 RISEBench 基准测试（覆盖时间、因果、空间、逻辑四个推理维度）中，Uni-1 取得了当前最优成绩。

在理解能力方面，Uni-1 在传统由专用理解模型主导的 ODinW-13 开放词汇密集检测基准上取得了有竞争力的成绩，验证了“生成训练提升理解能力”这一技术假说的有效性。

核心团队

Uni-1 的核心研究团队规模不足15人，由两位华人学者领衔。

公司首席科学家宋佳铭，本科毕业于清华大学，于斯坦福大学获得博士学位，师从 Stefano Ermon。其最广为人知的工作是发明了能大幅加速扩散模型采样速度的 DDIM 算法，该算法已被 Stable Diffusion、DALL·E 等主流系统广泛采用，并凭此获得 ICLR 2022 杰出论文奖。在加入 Luma 前，他曾于 NVIDIA Research 工作，并先后主导了 Luma 的视频生成模型 Dream Machine 和文生3D模型 Genie 的训练工作，Uni-1 是其带队的最新成果。

另一位核心研究负责人William Shen（沈博魁），同样为斯坦福大学计算机科学博士，师从 Silvio Savarese 和 Leonidas Guibas，本科毕业于斯坦福并获荣誉。其研究横跨计算机视觉、机器人、图形学与生成模型，曾获 CVPR 最佳论文奖及 RSS 最佳学生论文奖提名。此外，他曾作为联合创始人兼 CEO 创立 Apparate Labs，主导开发了低延迟基础模型 Proteus，该公司后被 Luma AI 收购。

面对谷歌、OpenAI、Meta等巨头以海量资源提升模型上限的路径，Luma选择了一条不同的发展策略：通过更精巧的架构设计，在正确的技术方向上，实现超越规模限制的成果。

当然，基准测试的优异表现只是一个开始。目前，Uni-1仍处于向合作伙伴定向开放阶段，距离大规模商业化应用尚有距离。与此同时，谷歌与OpenAI的模型迭代从未停歇，竞争仍在加速。

对Luma而言，Uni-1是其构建统一多模态智能系统的第一步。未来，这一统一框架计划从静态图像延伸至视频、语音乃至交互式世界模拟等领域，旨在最终打造一个能在连续流程中完成“观察、表达、推理与想象”的复杂多模态系统。

在这个巨头林立的竞技场中，Uni-1展示了以小博大的潜力，证明了精干的前沿团队依然能在AI研究中占据一席之地。

关注“鲸栖”小程序，掌握最新AI资讯