苹果发布多模态AI模型UniGen 1.5，功能强大但生成文字及部分编辑场景存局限

技术进展引发行业关注
近日，苹果研究团队正式公布多模态AI模型UniGen 1.5。该模型在统一架构下实现图像理解、生成与编辑能力的深度融合，在多项基准测试中表现亮眼。这一成果被视为图像AI领域的重要探索，也引发了业界对多模态模型发展路径的新一轮讨论。

统一框架打破功能割裂
据科技媒体9to5Mac于12月18日披露，UniGen 1.5最大的创新在于架构层面的统一设计。不同于以往依赖多个模型协同完成任务的方案，UniGen 1.5通过单一模型即可同时承担图像理解、图像生成与图像编辑功能。研究人员指出，这种统一框架使模型能够将理解阶段获得的语义信息直接反馈至生成环节，从而提升整体视觉输出的准确性与一致性。

“先想后画”提升编辑指令理解能力
在图像编辑场景中，准确执行用户复杂指令一直是行业难题。为此，苹果团队在后训练阶段引入“编辑指令对齐”机制。该方法要求模型在真正生成图像之前，先基于原始图片与用户指令，推导出目标图像的完整文本描述。这一过程相当于让模型在“动手”前完成充分推理，从而显著降低误解指令的概率，提高编辑结果与用户预期之间的一致性。

统一奖励机制增强系统稳定性
在强化学习层面，UniGen 1.5同样进行了关键创新。研究团队设计了一套可同时适用于图像生成与图像编辑任务的统一奖励系统。此前，由于编辑任务跨度大、变化复杂，奖励机制难以兼容不同场景。此次突破使模型在面对多种视觉任务时，能够遵循一致的质量评判标准，显著增强了系统在复杂任务下的稳定性和抗干扰能力。

测试成绩显示较强竞争力
从测试结果来看，UniGen 1.5在多个行业通用基准中取得较高分数。在GenEval与DPG-Bench测试中，其表现明显优于BAGEL、BLIP3o等近期方法；在图像编辑专项测试ImgEdit中，模型综合得分达到4.31，不仅超过多款开源模型，也与部分闭源商业模型表现接近。

局限性仍待进一步解决
苹果研究团队也在论文中对模型的不足保持了清醒判断。受限于当前离散去标记器的能力，UniGen 1.5在生成图片中文字内容时仍可能出现错误。此外，在部分编辑任务中，模型偶尔会发生主体特征偏移，如纹理变化或颜色不一致等问题。相关团队表示，这些短板将成为后续优化的重点方向。