大家好，我是马之仁。前段时间，谷歌发布了新模型，集梦也推出了 4.0 版本，支持编辑功能与想象力扩展。今天我们介绍的这个更新同样非常特别——它是一套开源的图像生成工具，目前分为两个主要用途：
- 多角度一致性生成：延续此前能力，保持角色在不同视角下高度一致，效果依然强大。仅做了少量微调，整体表现稳定。
- Open Banana（暂命名）：新增功能模块，支持基于主角进行创意发散，例如输入“坐在摩托车上的角色”，模型即可生成符合语境的混搭风格图像。
该工具对输入图像的分辨率有一定要求，推荐使用 1920×1080 的图片。分辨率越高，推理准确性越强；但过高的分辨率可能导致显存溢出或推理中断，因此 1920×1080 是兼顾效果与效率的较优选择。输出尺寸支持 1920×1080 或 1280×720，后者推理速度更快，平均耗时几十秒至一分钟不等。
核心参数说明如下：
- 主体权重：影响模型对主角特征的理解程度。值过高可能导致画面崩坏或角色失真，建议默认设为 0.3～0.4。
- 挂载风格：因当前训练样本有限，预留了风格挂载接口，允许用户通过 Context 训练额外风格模型并加载，以拓展生成效果。此设计契合开源社区协作理念。
- 另一个角度：用于多人镜头中切换机位，支持直接输入关键词或上传图像后由模型自动寻找新视角，需多次抽卡提升命中率。
- 手部特写：专为镜头调度训练，可控制角色手部位置，但受限于样本数量，仍需抽卡尝试。
目前已重点训练若干提示词，包括“广告设计”和“正盘打”（用于镜头切换），并在实践中验证其有效性。此外，团队还单独训练了若干提升图像质量的专用提示词，但由于训练样本规模限制，实际增益未达预期，这也是本次版本的主要遗憾之一。
当前模型已具备以下基础能力：
- 在固定主角前提下实现场景迁移；
- 支持广告设计、多角色构图等二阶功能；
- 可在单图基础上调度多个镜头角度；
- 多角色一致性表现优异——即使画面中出现六个角色，仍能保持高度统一，目前尚未发现其他同类开源模型达到同等水平。
后续发展方向将聚焦两点：
- 扩大训练样本规模，计划联合开源社区共同收集与标注高质量样本；
- 探索引入千问（Qwen）作为文本理解模块，利用其中文编辑能力与更丰富的参数空间，进一步增强上下文理解与可控生成能力。
该模型已发布于 Hugging Face，搜索作者“马志源 2025”即可找到最新版本。感谢参与开发的各位同事：W、I、Y、OK 等伙伴在训练过程中提供的支持与协助。