微信团队发布统一图像模型 WeLM-Image 论文

2026年11月6日，arXiv 人工智能板块刊出 Canmiao Fu 等作者的论文，提出统一图像基础模型 WeLM-Image。据论文，该模型把多模态理解融入文生图、指令引导编辑和多参考图合成三类任务，将文本、参考图像与目标 latent 作为一条交错序列处理，面向微信大规模消费级应用的单 GPU 部署场景设计。模型采用 Mixture-of-Transformers 骨干，存储参数 31.7B，每个目标 latent token 约激活 5.4B 生成参数，并以双语标注和编辑监督逐步训练至原生 1.5K 分辨率。论文还称，经基于 MeanFlow 的少步蒸馏得到 WeLM-Image-Turbo，在单块 NVIDIA H20 GPU 上以八步无引导采样生成一张 1024×1024 图像耗时 4.98 秒。上述性能与部署条件均出自论文自述，尚待第三方复现验证；目前事件进展停留在论文发布阶段。

AI 根据报道生成 · 2 天前更新