国产王炸！上海AI Lab开源Lumina-DiMOO，开创多模态理解与生成新范式

上海人工智能实验室，上海创新研究院，上海交大，南京大学，悉尼大学，港中大，清华，共同推出了被誉为新一代多模态生成与理解统一模型的Lumina-DiMOO。

“An Omni Diffusion Large Language Model for Multi-Modal Generation and Understanding”，翻译过来就是“面向多模态生成与理解的全方位扩散大语言模型”。关键词：“全方位”。这背后藏着它的独门绝技——“全离散扩散架构”。

文本是离散的、有逻辑结构的符号序列；图像是连续的、由像素网格构成的空间信息。AI面临的难题，就是如何让文本和图像联系起来。这就是多模态AI技术的核心挑战：统一表示与对齐。

解决这个问题的思路，就像是给“AI外星人”都教一种“宇宙通用语”。模型需要把文本、图像、音频这些五花八门的数据，统统映射到一个共享的、高维的“语义空间”里。在这个空间里，不同的数据格式被剥离，只剩下最核心的“意义”。

开创这一思路的先驱之一，就是大名鼎鼎的CLIP模型。它的训练方式简单粗暴又极其有效，叫做“对比学习”。就像一个老师，拿出海量的“图片-文字”配对作业，告诉模型：“看，这张图和这段话是天生一对，你们要靠得近一点。”同时又指着另一对不匹配的图文说：“你们俩八竿子打不着，离远点！”经过亿万次这样的“拉近”和“推远”训练后，模型就学会了这种“宇宙通用语”。它能理解，“苹果”这个词，既可以指向一张红彤彤的水果图片，也可以指向一个印着被咬了一口苹果标志的手机图片。这种跨模态的理解和对齐能力，是后续所有多模态生成模型的基础。

解决了语言问题，接下来就是怎么盖楼，也就是模型的架构设计。目前，主流的多模态大模型架构，主要是在强大的Transformer基础上进行扩展和融合。你可以把Transformer想象成一个超级智能的“信息加工厂”，它最擅长处理序列数据，并能通过“注意力机制”抓住信息中最关键的部分。但问题来了，不同模态的数据，这些“原材料”，该在哪个环节送进加工厂呢？这就催生了三种主流的“融合策略”。

“早期融合”。这种方法简单直接，就像做大杂烩。它在数据处理的最开始阶段，就把图像特征、文本特征等粗暴地拼接在一起，或者直接相加，然后一股脑儿地喂给一个共享的Transformer编码器。优点是简单，计算量相对小。缺点也很明显，不同模态的数据特性差异巨大，这么早地“生拉硬拽”在一起，很可能会互相干扰，导致信息损失，效果往往不尽如人意。

“中期融合”，也叫“交叉融合”。它会让文本和图像等不同的原材料，先进各自的“专属厨房”（独立的编码器）进行初步加工，提取出各自的精华特征。然后，在加工厂的核心区域，通过一个叫做“交叉注意力机制”，让这些半成品互相“交流”。比如，图像特征可以“看一看”文本特征里哪些词是重点，文本特征也可以“瞅一瞅”图像里哪些区域最关键。这种方式能够实现更深层次的信息交互，效果通常比早期融合好得多，也是目前很多高性能模型采用的策略。

“晚期融合”。这种方法就像是各自做完一道拿手菜，最后再拼成一个套餐。不同模态的数据从头到尾都走自己的独立处理流水线，直到最后输出结果的阶段，才把各自的结论融合起来做最终决策。这种方法保留了各模态信息的独立性，但在需要深度交互的任务上，往往会因为“沟通”太少而力不从心。

Lumina-DiMOO的创新之处，就在于它没有在这三种传统路径上修修补补，而是用一种全新的、更底层的逻辑，对整个多模态生成与理解的过程进行了重构。

传统的多模态生成模型，比如一些早期的文本到图像模型，采用的是“自回归”（AR）范式。就像我们写文章一样，一个字一个字地往外蹦。模型生成图像时，也是一个像素块一个像素块地生成，后一个像素块的生成要依赖于前面所有已生成的像素块。这种方式逻辑清晰，但缺点是致命的：慢！而且是一维的、串行的过程，很容易出现误差累积，生成到后面就“跑偏了”。

后来，扩散模型异军突起，它反其道而行之。扩散模型生成图像的过程，更像一位雕塑家。它先从一整块随机噪声（可以想象成一块混沌的“大理石”）开始，然后通过一个逐步去噪的过程，一步一步地把有意义的结构和细节“雕刻”出来，直到最后呈现出一幅清晰的图像。这个过程是并行的，质量更高，但早期的扩散模型在处理不同模态，尤其是离散的文本时，总有点水土不服。

Lumina-DiMOO的开创性在于，它首次实现了“全离散扩散建模”（Fully Discrete Diffusion Modeling）。它不仅用扩散的方式处理图像，还巧妙地把文本等离散数据也纳入了这个统一的扩散框架中。它将所有模态的数据都看作是可以被逐步“去噪”和“生成”的对象。这种统一的视角，使得模型内部的结构异常简洁和优雅，避免了不同模态处理流程“打架”的问题。这样做的好处是显而易见的：不仅生成质量大幅提升，更重要的是，采样效率得到了前所未有的提升。

在Lumina-DiMOO的世界里，生成和理解不再是两件独立的事。它支持的任务范围之广，几乎涵盖了当前图像多模态领域所有的热门应用。从最基础的“文本到图像生成”，“图像到图像生成”，或者“擦掉照片里那个乱入的路人”，甚至主题驱动生成等等一系列任务，它都能心领神会。

“复古皮革封面书籍，封面烫金写着‘Knowledge is Power’”的案例，从皮革的质感、烫金的光泽，到复古字体的设计，细节处处彰显着模型的“匠心”。

这还没完，它的“高级图像理解”能力同样强悍。你扔给它一张复杂的图片，它不仅能告诉你图片里有什么，还能像一个艺术评论家一样，分析图片的构图、光影、氛围，甚至推断图片背后的故事。

“橙汁溅出形成‘Smile’字样”的图片，不仅考验了模型对液体物理动态的理解，还考验了它对文字形态和艺术创意的把握。

第三大创新，是“更高的采样效率”。前面我们提到，Lumina-DiMOO的架构本身就带来了速度优势。但它的研发团队显然是群“卷王”，他们觉得还不够快。于是，他们专门设计了一种叫做“基于最大Logit的缓存方法”（Max Logit-based Cache）的黑科技。

这个技术听起来复杂，但原理可以这么理解：在模型生成图像的每一步（去噪过程），都需要做出成千上万个小决策。这个缓存方法就像一个“超级备忘录”，能够智能地记下那些最有可能被用到的“高分决策”，在下一步需要时直接调用，省去了大量的重复计算。就这么一个看似微小却极其精妙的改进，直接将采样速度又提升了整整2倍。

在实际应用中，Lumina-DiMOO在生成图像时，通常只需要64步采样就能得到高质量结果，而在进行图像理解这类更复杂的任务时，也能通过灵活调整块长度和采样步数，在性能和效率之间找到完美的平衡点。

最后，是它“卓越的性能表现”。Lumina-DiMOO在多个业界公认的权威基准测试中，交出了一份近乎满分的答卷。它的8B（80亿）参数规模的模型，在GenEval、DPG、OneIG-EN、TIIF等多个榜单上，直接屠榜，超越了所有已知的开源统一多模态模型。特别是在一些被认为是多模态模型“试金石”的细分能力上，比如多物体生成（能否准确生成图片中包含的多个物体）、颜色控制（能否精准控制物体的颜色）、位置精度（能否把物体放在指定的位置）等方面，Lumina-DiMOO的领先优势尤为明显。

在GenEval这个综合性生成能力基准测试上，Lumina-DiMOO与一众顶级模型的正面硬刚。这里面既有“专用生成模型”，也有像GPT-4o、Janus-Pro这样的“统一多模态模型”，个个都是名声在外的狠角色。

参数规模，Lumina-DiMOO是8B，在性能上，Lumina-DiMOO却展现出了跨级别的统治力。

在“单物体”生成上，它拿到了满分1.0，这意味着对于简单的指令，它几乎能百分之百完美复现。在更考验构图能力的“双物体”生成上，它拿到了0.94分，与业界顶尖的SD3-Medium和BAGAL持平，甚至超过了GPT-4o（0.92）。这说明它对物体之间关系的理解非常到位。

Lumina-DiMOO在“计数”、“颜色”、“位置”、“属性”这几项上，都是遥遥领先。这几个指标恰恰是过去多模态模型最容易翻车的地方。比如你让它画“3只猫”，它可能画出2只或者4只；你让它画“一个红色的球在一个蓝色的盒子左边”，它很可能把颜色搞混，或者把位置放错。而Lumina-DiMOO在这些“细活儿”上表现出的领先水平，证明了其架构在精准理解和执行复杂指令方面的巨大优势。特别是“位置”和“属性”这两项，是衡量模型是否真正理解了空间关系和语义概念的关键。Janus-Pro在“位置”上拿到0.79的高分已经很惊人了，而Lumina-DiMOO的表现相当“恐怖”了。

看看Lumina-DiMOO在各种任务上的实际表现：

它能准确推理出正确答案 A。

Lumina-DiMOO的问世，意味着，全球的开发者和研究者都可以站在这个巨人的肩膀上，去探索更多可能，去创造更多价值。

从医疗影像的智能分析，到自动驾驶的精准感知，再到虚拟现实的沉浸式内容构建，Lumina-DiMOO所代表的技术突破，将渗透到未来社会的方方面面。