阿里开源 DeepGen 1.0：5B 轻量模型兼顾图像生成与编辑，还能解迷宫

给 AI 一张图让它改个字或者换个背景，大家已经见怪不怪了。但如果一个图像模型不仅能修图，还能顺手把迷宫给解了，甚至预测画面下一秒会发生什么，事情就变得有意思了。

阿里巴巴正式开源了图像生成与编辑模型 DeepGen 1.0。它的参数规模只有 5B，却把文字渲染、多风格生图、复杂图像编辑以及空间推理塞进了同一个轻量架构里。

能画能修，还能推测下一秒

DeepGen 1.0 主打的是生成与编辑的统一。在文生图方面，它能驾驭多种艺术风格，并且具备可靠的图片文字渲染能力。

在基准测试中，它的文生图水准已经和 Zimage Turbo、Qwen Image Edit 等顶级开源模型站上了同一梯队。

更亮眼的是它的编辑与推理能力。除了常规的画面增删物体、替换主体、照片转动漫风、修改画面内文字，它还能生成场景的另一个视角，甚至推断接下来的动态。

官方还演示了一个有趣的例子：直接给它一张迷宫图片，模型能够一步步推理并画出走通迷宫的路径。在图像编辑的综合对比里，阿里团队表示它的表现甚至超过了 Nano Banana、Cream 以及 Qwen Image 等对手。

5B 体量如何越级打怪

以往做全能型多模态图像模型，行业通常倾向于堆参数，动辄做成几十甚至上百 B 的庞然大物。DeepGen 1.0 之所以能在 5B 规模下实现越级表现，关键在于其架构和训练流程。

研发团队引入了一套名为堆叠通道桥接（SCB）的对齐框架。它从多层视觉语言模型中提取分层特征，并结合可学习的 think tokens，为负责生成的扩散主干网络提供带有结构化推理信息的引导。

在训练上，他们没有盲目堆砌海量算力，仅使用了大约 5000 万个样本。训练分为三步：先在大规模图文对和编辑三元组上做预训练表征同步，再进行混合了生成、编辑与推理任务的联合微调，最后通过 MR-GRPO 强化学习配合多重奖励机制对齐人类偏好。

这套打法效果很直接。在 WISE 评测中，DeepGen 1.0 的得分超过了 80B 的 HunyuanImage 达 28%；在 UniREditBench 上，它也领先 27B 的 Qwen-Image-Edit 约 37%。

阿里这次把代码、权重以及数据集全部放了出来，GitHub 上也给出了详细的使用说明。不过普通玩家先别急着高兴，该模型在 Hugging Face 上的文件总量达到了 72GB，消费级电脑想要直接装下跑起来并不轻松。

为什么重要

从实际使用角度看，DeepGen 1.0 解决了过往图像工具的一大痛点：生成与编辑往往割裂在不同模型里，改图还要反复调用外部工具。

不过，72GB 的总文件体积对个人创作者和独立开发者来说依旧是道硬门槛。在社区推出成熟的量化版本或轻量推理脚本之前，多数人更适合在云端环境测试，而非强行本地部署。

从行业竞争来看，阿里这项成果给图像生成领域指了条新路。它证明了不需要把模型堆到几十 B 的夸张尺寸，只要通过合理的跨层表征对齐和思维引导，紧凑型模型完全能在空间理解与复杂编辑上反超巨型前代。

我们认为阿里选择完全开源训练代码和数据集的做法非常大度，这能极大推动多模态统一模型的研究。接下来的真正考验，在于开源社区能否迅速将这套 5B 架构的推理成本进一步压低，让这种推理级修图能力真正落到普通终端设备上。