腾讯开源换装模型 HY-WU：即时生成 LoRA，逼近 Nano Banana

HY-WU 是腾讯开源的一个图像编辑框架，专门用来做高保真换装、虚拟试穿和风格迁移。

输入一张人物底图，再给它一张或几张参考图，它就能把参考图里的衣服、配饰甚至玩偶身上的穿搭无缝换到底图人物身上，同时保持原本的脸、姿势和背景完全不变。

它的核心机制：把参数当成临时记忆

传统的换装或者图像编辑，要么需要为了某套衣服专门微调一个 LoRA，耗时费力；要么直接把参考图当作图像条件塞给模型，细节经常对不准或糊成一团。

HY-WU 的解法很聪明。它把参考图和文本提示词一起编码，在模型前向推理的瞬间，即时生成一个微型 LoRA 适配器，直接注入到底层大模型里。

说白了，它不需要在测试阶段做任何耗时的微调训练，而是把针对这套衣服的理解实时变成了模型的一部分。这种被称为「功能性神经记忆」的设计，既保留了底座原有的生成能力，又能极高精度地还原服装的纹理和剪裁。

除了常规的真人服装互换，它还支持跨领域的穿搭融合，比如把手办公仔身上的衣服穿到真人身上，以及高保真的人脸 ID 迁移。

效果逼近顶流，但显存门槛极高

在胜率对比上，HY-WU 大幅超越了主流开源编辑模型，比如 Qwen ImageEdit、Long Cat ImageEdit 和 Flux 2，在人工偏好测试中甚至常常压过闭源的 Cream 4.5 与 GPT Image 1.5。

目前只有顶级的商业闭源模型 Nano Banana 2 和 Nano Banana Pro 还能以 52.4% 和 53.8% 的微弱优势领先它，两者差距非常小。

不过想在本地跑起来，代价相当大。HY-WU 基于 80B 参数（激活 13B）的 HunyuanImage-3.0-Instruct 底座开发，配合自身 8B 的参数生成模块，推理至少需要 4 张 80GB 显存或 8 张 40GB 显存的显卡。

腾讯目前已经在 GitHub 开源了完整的推理代码、权重和 Gradio 界面。针对个人开发者显存吃不消的问题，官方后续计划推出更轻量的蒸馏版 checkpoint。

为什么重要

电商试衣、虚拟模特和影视概念设计团队现在就可以去 GitHub 扒代码了。过去想要这种级别的换装一致性，只能依赖昂贵的商业闭源 API，或者花几个小时单独训练 LoRA，HY-WU 证明了用即时参数生成取代实时微调完全可行。

不过对绝大多数独立开发者和普通玩家来说，4 张 80GB 显存的高门槛直接把本地体验堵死了。在轻量化蒸馏模型正式放出来之前，它更像是一份面向算力充裕的企业和科研团队的重磅开源参考答案。