阿里開源 DeepGen 1.0：5B 輕量模型兼顧影像生成與編輯，還能解迷宮

給 AI 一張圖讓它改個字或者換個背景，大家已經見怪不怪了。但如果一個影像模型不僅能修圖，還能順手把迷宮給解了，甚至預測畫面下一秒會發生什麼，事情就變得有意思了。

阿里巴巴正式開源了影像生成與編輯模型 DeepGen 1.0。它的引數規模只有 5B，卻把文字渲染、多風格生圖、複雜影像編輯以及空間推理塞進了同一個輕量架構裡。

能畫能修，還能推測下一秒

DeepGen 1.0 主打的是生成與編輯的統一。在文生圖方面，它能駕馭多種藝術風格，並且具備可靠的圖片文字渲染能力。

在基準測試中，它的文生圖水準已經和 Zimage Turbo、Qwen Image Edit 等頂級開源模型站上了同一梯隊。

更亮眼的是它的編輯與推理能力。除了常規的畫面增刪物體、替換主體、照片轉動漫風、修改畫面內文字，它還能生成場景的另一個視角，甚至推斷接下來的動態。

官方還演示了一個有趣的例子：直接給它一張迷宮圖片，模型能夠一步步推理並畫出走通迷宮的路徑。在影像編輯的綜合對比裡，阿里團隊表示它的表現甚至超過了 Nano Banana、Cream 以及 Qwen Image 等對手。

5B 體量如何越級打怪

以往做全能型多模態影像模型，行業通常傾向於堆引數，動輒做成幾十甚至上百 B 的龐然大物。DeepGen 1.0 之所以能在 5B 規模下實現越級表現，關鍵在於其架構和訓練流程。

研發團隊引入了一套名為堆疊通道橋接（SCB）的對齊框架。它從多層視覺語言模型中提取分層特徵，並結合可學習的 think tokens，為負責生成的擴散主幹網路提供帶有結構化推理資訊的引導。

在訓練上，他們沒有盲目堆砌海量算力，僅使用了大約 5000 萬個樣本。訓練分為三步：先在大規模圖文對和編輯三元組上做預訓練表徵同步，再進行混合了生成、編輯與推理任務的聯合微調，最後通過 MR-GRPO 強化學習配合多重獎勵機制對齊人類偏好。

這套打法效果很直接。在 WISE 評測中，DeepGen 1.0 的得分超過了 80B 的 HunyuanImage 達 28%；在 UniREditBench 上，它也領先 27B 的 Qwen-Image-Edit 約 37%。

阿里這次把程式碼、權重以及資料集全部放了出來，GitHub 上也給出了詳細的使用說明。不過普通玩家先別急著高興，該模型在 Hugging Face 上的檔案總量達到了 72GB，消費級電腦想要直接裝下跑起來並不輕鬆。

為什麼重要

從實際使用角度看，DeepGen 1.0 解決了過往影像工具的一大痛點：生成與編輯往往割裂在不同模型裡，改圖還要反覆呼叫外部工具。

不過，72GB 的總檔案體積對個人創作者和獨立開發者來說依舊是道硬門檻。在社群推出成熟的量化版本或輕量推理指令碼之前，多數人更適合在雲端環境測試，而非強行本地部署。

從行業競爭來看，阿里這項成果給影像生成領域指了條新路。它證明了不需要把模型堆到幾十 B 的誇張尺寸，只要通過合理的跨層表徵對齊和思維引導，緊湊型模型完全能在空間理解與複雜編輯上反超巨型前代。

我們認為阿里選擇完全開源訓練程式碼和資料集的做法非常大度，這能極大推動多模態統一模型的研究。接下來的真正考驗，在於開源社群能否迅速將這套 5B 架構的推理成本進一步壓低，讓這種推理級修圖能力真正落到普通終端裝置上。