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