上海创新研究院联合打造5B参数轻量级AI画师DeepGen 1.0

2026年2月12日，一项由上海创新研究院联合复旦大学、中国科学技术大学、上海交通大学、西湖大学等国内顶尖科研机构共同完成的重磅研究，在计算机视觉与人工智能领域的权威预印本平台arXiv上正式发布（论文编号：arXiv:2602.12205v1）。该研究成功开发出一款名为DeepGen 1.0的“轻量级全能画师”AI模型，其核心突破在于：仅凭50亿参数，就在多项图像生成与编辑任务中，实现了对参数量数十倍于己的巨型模型的性能超越。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

在AI领域，“模型越大，性能越强”曾被视为金科玉律。然而，这项最新研究成果为我们揭示了一条截然不同的高效进化路径：通过极致的架构创新与训练策略优化，一个“身材精干”的模型，完全有能力在竞技场上击败“肌肉发达”的巨人。这标志着AI模型的发展，正从盲目“堆砌参数”的粗放阶段，迈入追求“参数效率”与“架构智慧”的精工时代。

一、轻量化设计的智慧：小而美的架构哲学

理解DeepGen 1.0的卓越性能，必须从其颠覆性的设计理念入手。当前主流的大规模生成模型，如同一个拥有海量“工人”的超级工厂，规模庞大但内部协作难免存在冗余与能耗问题。研究团队则另辟蹊径，致力于打造一款像精密机械腕表般的模型：每一个组件都经过精心设计与极致优化，协同工作时精准、高效且能耗极低。

该模型的核心架构由两大模块高效协同构成：一个30亿参数的视觉语言模型（VLM）和一个20亿参数的扩散变换器（DiT）。前者扮演着“博学艺术总监”的角色，负责深度解析用户文本指令中的复杂场景、对象属性及逻辑关系；后者则是一位“技艺高超的执行画师”，专门负责将抽象概念转化为具体、高质量的图像像素。

真正的技术突破在于连接这两大模块的“堆叠通道桥接”（Stacked Channel Bridging, SCB）技术。传统流程中，“艺术总监”通常在创作开始前给出一次性指令。而SCB技术则允许“艺术总监”在图像生成的每一个关键步骤中，都向“画师”提供持续、多层次、富含细节的实时反馈——不仅传递高层的语义意图，更将关于细节刻画、结构布局与风格把控的中间层信息源源不断地输送过去。这好比电影导演不仅在开机前讲解剧本，更在每一个镜头拍摄时进行现场实时指导，确保了最终作品的精准呈现。

此外，模型创新性地引入了“思考标记”（Thinking Tokens）。这些特殊标记为AI提供了一个内部的“推理画布”，使其在处理复杂或模糊的指令时，能够像人类一样进行逐步分析和思维链推演，从而做出更合理、更符合常识的生成决策。

这种高度协同、信息流丰富的轻量化架构，带来了惊人的效率优势。与需要动用数百块GPU训练数月乃至数年的千亿参数大模型相比，DeepGen 1.0仅在64块H200 GPU上训练数周，便达到了顶尖性能水平，在算力需求、训练成本与能源消耗方面展现出巨大优势。

二、三阶段训练法：循序渐进的学习之路

卓越的性能不仅源于精巧的架构，更得益于一套严谨、系统的三阶段训练策略。整个过程犹如培养一位功底扎实、全面发展的艺术大师。

第一阶段：对齐预训练。 此阶段的目标是让“艺术总监”（VLM）和“执行画师”（DiT）这两位“合作伙伴”建立最基础的共同语言与沟通默契。训练仅聚焦于连接二者的桥接组件（SCB）和思考标记，使用高达3500万图像-文本对和660万图像编辑三元组数据进行训练。这一过程确保了文本指令理解与图像像素生成之间初步、稳定的对齐，为后续复杂学习打下坚实基础。

第二阶段：联合监督微调。 在建立可靠沟通基础后，整个系统进入全面协同学习阶段。此阶段解冻了扩散变换器（DiT），并对视觉语言模型（VLM）采用高效的LoRA（低秩适应）技术进行微调。训练数据极为丰富多样，涵盖了1100万常规图像生成样本、海量的图像编辑样本，以及针对性的推理生成、文本渲染等专项样本。这种“多题材、多技法”的沉浸式训练，让模型全面掌握了从简单描绘到复杂创意、从生成到编辑的各项核心能力。

第三阶段：强化学习优化。 这是整个训练流程的“点睛之笔”，旨在让模型的输出审美与决策逻辑更贴合人类的真实偏好。研究团队为此专门开发了名为MR-GRPO的新型强化学习方法。其核心在于采用多重奖励机制进行综合优化：基于视觉语言模型的偏好奖励评估图像的整体美感与协调性；OCR奖励确保图像中生成的任何文字都清晰准确；CLIP相似度奖励则保证生成图像与输入文本的语义高度一致。为防止模型在优化单一目标时“遗忘”已学会的其他宝贵技能，该方法还巧妙地引入了辅助监督损失作为约束。最终，通过这一阶段的精细化调优，模型的生成质量与人类审美偏好实现了更高层次的对齐。

三、全能创作技巧：从常规生成到复杂推理

DeepGen 1.0并非功能单一的“偏科生”，而是一位能力覆盖全面的“全能型AI画师”。其核心能力主要体现在以下五个维度：

常规图像生成： 能够根据从简单到复杂的各类文本描述，稳定输出高分辨率、高保真度的图像。在GenEval、DPG-Bench等权威基准测试中，其表现与许多参数量大得多的开源模型不相上下。

推理生成： 这是其突出优势领域。模型能够出色处理需要逻辑推理和世界常识的复杂指令，例如“绘制一幅直观展示重力在不同星球（如地球、月球、火星）上差异的科普示意图”。在涵盖文化、时间、物理、社会等多领域的WISE综合推理基准测试中，它以0.73的总分领先所有开源模型。

文本渲染： 针对当前AI生成图像中常见的文字模糊、拼写错误等痛点进行了专项优化，能够生成内含清晰、准确、风格化文字的图像，非常适用于海报设计、信息图表制作等实际应用场景。

图像编辑： 支持对现有图像进行基于自然语言指令的精准修改，如替换物体颜色、添加或移除元素、改变风格等，在ImgEdit等专业图像编辑基准上表现出色。

推理编辑： 这是最高阶的复合能力，深度融合了复杂推理与精准编辑。例如，理解并执行“将一张中世纪城堡的图片，合理修改为具有未来科技风格的堡垒，并保持建筑结构的合理性”。在RISE、UniREditBench等需要深度场景理解与推理的编辑测试中，其性能大幅领先于其他对比模型。

四、性能表现分析：小模型的大能量

数据是性能最客观的证明。在多项国际权威基准测试中，这个仅50亿参数的“轻量级”模型展现了令人信服的“大能量”：

• 综合生成能力： 在UniGenBench综合生成评测中取得75.74的高分，超越了包括多个数百亿参数模型在内的竞争对手。
• 复杂推理能力： 在WISE基准测试中以0.73分领先，相较于某知名800亿参数模型的0.57分，性能提升高达28%。在更具挑战性的T2I-CoREBench哲学推理测试中也达到了顶尖水平。
• 精准编辑能力： 在UniREditBench综合编辑测试中获得77.5分，成绩大幅超越其他参与对比的模型。
• 卓越训练效率： 整个训练过程仅使用了约5000万高质量样本，远低于同类模型通常所需的数十亿甚至数百亿样本量，在计算资源消耗、训练时间成本和数据需求上均具备显著优势。

这些扎实的实验结果共同印证了一个核心结论：在AI模型设计中，参数的数量并非决定性能的唯一要素，参数的质量、架构的协同效率以及训练策略的精妙程度，同样至关重要，甚至能实现“以小搏大”的奇迹。

五、技术核心与未来意义

DeepGen 1.0的成功，其技术内核可归结为三点：“堆叠通道桥接”（SCB）技术实现了跨模块的深度、实时、多层次信息交互；“思考标记”（Thinking Tokens）赋予了模型内部推理与规划的能力；而MR-GRPO强化学习算法则确保了训练过程的稳定性与输出结果的人类偏好对齐。

这项研究的深远意义超越了单纯的技术指标突破。它有力地挑战了AI领域长期存在的“规模至上”固有范式，为下一代AI模型的发展指明了“轻量化、高效化、可部署化”的新方向。对于整个行业而言，这意味着高性能的AI图像生成与编辑工具，其开发与部署门槛有望大幅降低，未来将更易于在消费级显卡、边缘设备上运行，极大地促进AIGC技术的普及、应用与商业化落地。

目前，研究团队已遵循开放科学的精神，将DeepGen 1.0模型完全开源。这种开放共享的姿态，将极大助力全球AI开发者和研究社区在此基础上进行进一步的探索、改进与应用创新，共同推动高效、实用人工智能的快速发展。

Q&A

Q1：DeepGen 1.0只有50亿参数，为什么能超越800亿参数的大模型？

其成功关键在于“质”而非“量”。核心在于精巧的“堆叠通道桥接”（SCB）架构，它实现了文本理解模块与图像生成模块在多个特征层次上的深度、实时协作，让每一比特信息都物尽其用，极大提升了参数利用效率。同时，“思考标记”机制赋予了模型内部推理能力，使其能更智能地处理复杂指令。这些设计有效避免了大型模型中常见的参数冗余和协作低效问题。

Q2：普通用户或开发者如何使用DeepGen 1.0？

该模型已在GitHub、Hugging Face等主流开源平台全面发布，提供了完整的模型权重、推理代码和使用示例。得益于其轻量化设计，它可以在拥有消费级GPU（如RTX 4090）的电脑上本地运行。用户只需输入文本描述（Prompt），即可快速体验高质量的图像生成、智能编辑等强大功能，这极大地降低了前沿AI技术的使用门槛。

Q3：三阶段训练法有何特别之处？

三阶段训练法遵循了“先对齐、再学习、后优化”的系统化学习路径，模拟了人类专家的成长过程。其特别之处在于：第三阶段采用的MR-GRPO强化学习算法，通过融合多重奖励（美学、文字准确性、语义一致性）进行综合优化，而非单一指标。同时，创新性地引入辅助监督损失作为约束，有效防止了模型在强化学习过程中“遗忘”此前学到的宝贵技能，确保了训练既高效又稳定，最终产出更符合人类复杂偏好的模型。