Uni-Edit：智能编辑是统一模型调优的通用任务

目前，增强统一多模态模型（UMM）的图像理解、生成和编辑能力主要依赖于混合多任务训练。由于固有的任务冲突，这种策略需要复杂的多级管道、大量数据混合和平衡技巧，仅仅导致性能权衡，而不是真正的相互增强。为了打破这种范式，我们提出了 Uni-Edit，这是一种智能图像编辑任务，可作为 UMM 调优的第一个通用任务。与复杂的混合管道不同，Uni-Edit 仅使用一项任务、一个训练阶段和一个数据集即可同时提高所有三种能力的性能。具体来说，我们首先将图像编辑视为本质上理想的一般任务，因为它自然需要视觉理解和生成。然而，现有的编辑数据依赖于简单的指令，严重未充分利用模型的理解能力。为了解决这个问题，我们引入了第一个用于智能编辑的自动化且可扩展的数据合成管道，将不同的 VQA 数据转换为具有嵌入式问题和嵌套逻辑的复杂且有效的编辑指令。这产生了 Uni-Edit-148k，将不同的推理密集型指令与高质量的编辑图像配对。在 BAGEL 和 Janus-Pro 上进行的大量实验表明，仅在 Uni-Edit 上进行调优即可实现所有三种功能的全面增强，而无需任何辅助操作。