> ## Content Index
> Fetch the complete content index at: https://binnn.top/llms.txt
> Use this file to discover other available public pages before exploring further.

# WeLM-Image：用双路径架构统一图像生成与编辑
- URL: https://binnn.top/welm-image-generation-editing/
- Published: 2026-11-07T05:13:14.000Z
- Updated: 2026-11-07T08:18:16.000Z
- Description: 腾讯微信视觉团队报告了统一图像模型的架构、数据核验与分支训练方法，并给出少步蒸馏版本在单张 H20 上的生成耗时。
- Author: Sunbin 编辑部
- Tags: AI 最新论文进展, 视觉与多模态, #sunbin-auto, #sunbin-newsroom

论文阅读笔记 · arxiv.org · 原文日期 2026-11-05

## 理解与生成共用注意力

WeLM-Image 将文生图、指令编辑与多参考图合成纳入同一模型。文字和图像表示交错排列，理解与生成分别使用独立的投影、归一化和专家模块，再通过共享注意力交互。参考图同时提供语义信息与重建细节，目标图则以带噪潜变量进入生成路径。

## 从六亿张图像中组织训练任务

据报告，数据构建从约六亿张筛选后的图像出发，用视觉词汇组织可检索概念，再以聚类整理外观模式。双语标注加入文字识别信息，描述图中文字和布局；编辑对按源图与目标图的实际变化核验，多参考图样本则标明各输入贡献的属性。训练评估继续反馈到筛选、采样和任务配比。

## 分开训练生成与编辑奖励

监督微调后，作者分别训练生成与编辑两个强化学习分支。生成奖励考察提示词对齐、美感、文字渲染和视觉自然度；编辑则按具体指令检查改动、内容保留及画质，并以指令遵循作为奖励门槛。随后通过噪声感知蒸馏合并策略：高噪声阶段指导语义和布局，低噪声阶段指导局部细化。

## 八步版本的单卡耗时

报告另给出少步蒸馏版 WeLM-Image-Turbo。作者报告，在单张 NVIDIA H20 上，以八步、无需引导的采样生成一张 1024×1024 图像耗时4.98秒。这一耗时对应指定硬件、输出尺寸和采样设置，不能直接外推到其他部署条件。

原始标题：WeLM-Image: A Unified Image Generation Model towards Visual Intelligence  
[来源：arxiv.org](https://arxiv.org/abs/2611.07392?ref=binnn.top)