Uni-Edit：用单一智能编辑任务统一多模态模型的理解与生成

Uni-Edit提出以智能图像编辑作为通用任务，仅用单一数据集即可同时提升多模态模型的理解、生成和编辑三大能力，打破多任务训练的权衡困境。

统一多模态模型期望同时掌握图像理解、生成、编辑能力，但混合多任务训练面临三大挑战：任务冲突（不同任务对参数需求冲突）、复杂多阶段流水线（需精心设计超参数和数据配比）、数据平衡难题（经验性调参），最终导致三项能力此消彼长的权衡而非协同增强。

Uni-Edit团队选择智能图像编辑作为通用任务，因其天然融合理解（需理解原始图像和指令意图）与生成（生成一致的编辑后图像）能力，成为连接两者的桥梁。核心主张是通过单一任务、单一训练阶段、单一数据集实现三项能力同步提升。

现有编辑数据指令简单，无法激发模型理解潜力。团队开发自动化数据合成流水线，将VQA数据转换为复杂编辑指令（嵌入问题、嵌套逻辑、推理密集型指令），构建含14.8万样本的Uni-Edit-148k数据集，每条样本配对复杂指令与高质量编辑图像。

在BAGEL和Janus-Pro模型上实验显示：仅用Uni-Edit数据集单任务训练，三项能力同步提升；无需复杂阶段划分、数据配比等辅助操作；跨模型验证成功，方法泛化性好。

1. 任务设计需找天然融合多能力的"元任务"；2. 数据质量重于数量，Uni-Edit-148k规模小但效率高；3. 简化即优化，正确任务让训练简洁高效。

局限：依赖VQA数据限制指令多样性、编辑质量评估需人工、极端编辑场景待验证。未来方向：扩展数据源（视频、3D）、增强细粒度控制、支持多轮编辑工作流。