UniWorld V2发布：北大兔展智能联合推出强化学习驱动图像编辑模型，精准中文渲染与空间控制领先行业

💡 站外导读：在AIGC浪潮下，图像编辑正从手动调整走向AI驱动，但现有模型常面临指令遵循不准、复杂文本渲染模糊、编辑区域控制粗糙等痛点。尤其对于中文场景和精准空间操作，业界亟需更智能、更可控的解决方案。北大与兔展智能联合研发的UniWorld V2，正瞄准这一核心挑战，通过创新训练框架重新定义AI图像编辑的能力边界。

UniWorld V2是什么

UniWorld V2是兔展智能和北京大学UniWorld团队推出的新一代图像编辑模型。采用创新的UniWorld-R1训练框架，首次将强化学习策略优化应用于图像编辑，通过DiffusionNFT技术实现高效训练。模型使用多模态大语言模型作为奖励模型，提供稳定且细粒度的反馈，同时引入低方差组过滤机制，提升训练稳定性。能精准理解和渲染复杂的中文字体，支持精细化空间控制，如通过画框指定编辑区域，可实现全局光影融合，让图像更加自然和谐。在GEdit-Bench和ImgEdit等行业基准测试中取得领先成绩，全面超越现有公开模型。

UniWorld V2的主要功能

• 中文字体精准渲染：能理解和生成复杂的艺术中文字体，如“月满中秋”等，效果清晰且语义准确，只需简单指令即可实现文字修改。
• 精细化空间控制：支持通过画框指定编辑区域，例如“将鸟移出红框”，模型可严格遵守空间限制，完成高难度操作。
• 全局光影融合：深刻理解光影指令，如“给场景重新打光”，使物体自然融入场景，光影融合度高，画面统一和谐。
• 指令对齐与图像质量提升：在指令对齐性和图像质量方面表现出色，用户更倾向于其输出结果，尤其在指令遵循方面表现突出。
• 多模型适用性：框架具有模型无关性，可应用于多种基础模型，如Qwen-Image-Edit和FLUX-Kontext等，显著提升这些模型的性能。

UniWorld V2的技术原理

• 创新训练框架：采用UniWorld-R1训练框架，首次将强化学习策略优化应用于图像编辑，通过Diffusion Negative-aware Finetuning（DiffusionNFT）技术实现无需似然估计的策略优化，提升训练效率。
• 多模态奖励模型：使用多模态大语言模型（MLLM）作为奖励模型，直接利用其输出的对数值提供细粒度反馈，避免复杂推理和采样带来的计算开销和偏差。
• 低方差组过滤机制：针对奖励归一化中的低方差组问题，设计了基于奖励均值和方差的过滤策略，剔除高均值低方差的样本组，稳定训练过程。
• 模型无关性：框架设计为模型无关，可应用于多种基础图像编辑模型，如Qwen-Image-Edit和FLUX-Kontext等，具有广泛的适用性。

UniWorld V2的项目地址

• Github仓库：https://github.com/PKU-YuanGroup/Uniworld
• arXiv技术论文：https://arxiv.org/pdf/2510.16888

UniWorld V2的应用场景

• 图像编辑与设计：能根据用户指令对图像进行精准编辑，如修改图像中的文字、调整物体位置、改变场景光影等，适用于海报设计、广告创意、视觉艺术等领域。
• 内容创作与生成：帮助创作者快速生成符合特定要求的图像内容，提升创作效率，适用于视频制作、动画设计、游戏开发等需要大量图像素材的场景。
• 产品展示与营销：通过图像编辑提升产品展示效果，例如为产品添加特效、调整背景、优化光影等，增强产品吸引力，适用于电商产品展示、品牌宣传等。
• 教育与培训：作为教学工具，帮助学生和学员更好地理解和掌握图像编辑技巧，同时可用于创建教育相关的图像素材，如教材插图、教学课件等。
• 科研与实验：在科研领域，可用于生成模拟图像数据，辅助实验设计和结果展示，例如在医学图像处理、环境科学等领域生成特定条件下的图像样本。