图像生成中的多指标一致性问题，被字节团队解决了！

字节 UXO 团队设计并开源了统一框架 USO，让看上去不关联的任务相互促进，实现风格迁移和主体保持单任务和组合任务的 SOTA。

USO 通过单一框架能统一之前那些看似孤立的任务包括主体、身份保持和风格化编辑，参考图风格迁移，同时保持主体和风格参考，甚至更抽象复杂的多风格迁移，是实打实的六边形战士。

网友们争相围观，甚至有人直接拿来和当前火爆的闭源模型对比，发现 USO 弥补了难以同时做好主体保持和风格迁移的短板。

一个模型搞定人物 / 主体 / 风格保持

通过单一模型且仅通过一张参考图，USO 就能搞定你想要的主体、人物或是风格。

比如说，以卡通人物为例，让他在街上驾驶小车：

又比如说，积木风格，让这个男人在咖啡厅看书：

或者前阵子大火的吉卜力风格，也可以通过参考风格实现，比如一个男孩站在巨大的猫前 "

或者抽象的材质参考，也能轻松处理，比如生成一个大厨在炒菜：

那么再大胆点，混合风格呢，比如生成一个男子：

或者同时参考人物 ID 和风格图片，然后让她抱着一只猫呢，可以看到最终结果在保留 ID 基础上完美还原扁平风格（设计党狂喜）：

以上种种应用场景，USO 都能轻松处理，甚至画面质量不输一些商业大模型。

为了全面评估模型性能，团队首次设计了一个 USO-Bench，全面评估不同任务类型的性能，分别包括主体驱动，风格驱动以及主体风格混合驱动生成，并且对比了一众最新模型。

最终，UNO 在三大任务上都处于领先水平。

并且研究团队还进行了用户研究，结果显示，USO 在所有评估维度上都获得了较高评价，特别是主体一致性、风格一致性和画面质量上表现最为突出。

跨任务自解耦

USO 采用了一种 " 跨任务自解耦 " 的新范式，核心思想是让模型根据不同任务类型学习想要包含的特征，从而从根本上增强模型的学习能力。

在模型架构上，USO 以开源模型 FLUX.1 dev 为基础，设计了风格对齐训练以及内容 - 风格解耦训练：

首先将 SigLIP 提取的多层风格特征对齐到文本空间，使其成为一个具备风格迁移能力的模型；

随后引入 VAE 内容特征，基于三元组数据做风格 - 内容解耦训练。

此外研究团队首次提出了风格奖励学习（SRL）算法，这是一种为 Flow Matching 设计的带参考图的强化学习算法。

其奖励函数来自衡量风格一致性的奖励模型数学映射，配合预训练损失监督模型训练，最终进一步促进内容和风格的解耦。

另外作者也提到，强化学习的加入让模型在别的任务上也得到了性能提升，进一步验证跨任务对齐的有效性。

在数据方面，团队构建了一套跨任务数据合成框架，创新性地提出同时构建布局改变和布局保留的三元组数据。

通过训练 UNO 模型得到一个风格化和去风格化的专家模型，然后利用这两个专家模型生成大批量三元组数据，最后通过 VLM 过滤出用于训练 USO 的数据集。

更多细节请参考该方法的技术报告。

论文地址：https://arxiv.org/abs/2508.18966

项目主页：https://bytedance.github.io/USO/

代码仓库：https://github.com/bytedance/USO

HuggingFace 在线 demo：https://huggingface.co/spaces/bytedance-research/USO

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见