南洋理工大学 S-Lab 和商汤科技联合推出了 OpenUni，一款开源的多模态模型，旨在统一视觉理解和图像生成。该模型仅使用 11 亿参数，却能达到 80 亿参数模型的性能水平，并且完全开源了代码、权重和数据集。OpenUni 采用了极简的架构设计，参数效率高，性能表现出色，为多模态研究提供了新的基准。

💡 架构极简：OpenUni 仅使用 6 层连接器，相比 MetaQuery 的 24 层连接器，架构设计大幅精简，使得模型更易于训练和部署。

⚡ 参数高效：OpenUni-B-512 模型仅需 11 亿参数，在 GenEval 评测中达到 0.84 分，与 BLIP3-o-8B 模型的性能相当，展现了卓越的参数效率。

📂 完全开源：研究团队公开了 OpenUni 的所有核心资源，包括模型权重、训练代码和 2300 万数据集，为研究人员提供了可复现、易扩展的基线，促进了社区的研究和创新。

2025-06-22 12:26 北京

南洋理工大学 S-Lab和商汤科技推出 OpenUni—— 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

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。

© THE END 

转载请联系本公众号获得授权

投稿或寻求报道：liyazhou@jiqizhixin.com

阅读原文

跳转微信打开