OmniStyle统一风格迁移 | BAGEL开源实现了GPT Image | NovelSeek构建科研多智能体闭环【AI周报】
OmniStyle统一风格迁移 | BAGEL开源实现了GPT Image | NovelSeek构建科研多智能体闭环【AI周报】
摘要
本周亮点：OmniStyle发布百万级风格迁移数据集；Index-AniSora开源二次元视频生成系统；MMaDA实现统一多模态扩散架构；Dolphin革新文档解析效率；NovelSeek构建科研自动化闭环；BAGEL开源GPT Image级多模态模型。
目录
- OmniStyle：大规模高质量风格迁移数据集与统一生成框架
- Index-AniSora：B站开源二次元视频生成系统，强化学习驱动高质量动画生成
- MMaDA：首个统一多模态扩散大模型，融合推理与生成能力
- Dolphin：字节跳动推出文档图像解析模型，采用异构锚点提示策略
- NovelSeek：Alpha-Innovator发布的多智能体科研闭环系统，实现自动化创新与验证
- BAGEL：字节跳动开源统一多模态模型，具备生成、理解与编辑能力
OmniStyle：大规模高质量风格迁移数据集与统一生成框架
概要：OmniStyle 是由 吉林大学 携手 字节跳动 及 Adobe 提出的风格迁移系统，包含超过 100 万个内容-风格-结果三元组的 OmniStyle-1M 数据集，涵盖 1000 种风格类别，并配有文本描述和指令提示。为确保数据质量，作者引入了 OmniFilter 框架，从内容保留、风格一致性和美学吸引力等方面筛选高质量样本。基于此，提出了基于 Diffusion Transformer 架构的 OmniStyle 模型，支持指令引导和图像引导的风格迁移，生成高分辨率且细节丰富的图像。实验结果表明，OmniStyle 在多个基准测试中表现优异，展示了其高效性和多样性。
标签：#风格迁移 #大规模数据集 #Diffusion Transformer #高分辨率生成 #指令引导
Index-AniSora：B站开源二次元视频生成系统，强化学习驱动高质量动画生成
概要：Index-AniSora 是由 哔哩哔哩（Bilibili） 发布的开源二次元视频生成系统，基于 AniSora 框架支持番剧、国创、VTuber等多种动画风格生成。系统引入时空掩码机制实现图像到视频生成、帧插值等功能，并构建了包含30,000条人工标注样本的动画奖励数据集，涵盖视觉平滑度、运动感、文本一致性等六个维度。基于此提出 AnimeReward 奖励模型和差距感知偏好优化算法（GAPO），显著提升模型对人类偏好的拟合能力，该系统已被IJCAI 2025接收。
标签：#动画视频生成 #二次元内容创作 #强化学习 #人类偏好对齐 #开源项目
MMaDA：首个统一多模态扩散大模型，融合推理与生成能力
概要：MMaDA（Multimodal Large Diffusion Language Models） 是由 普林斯顿大学、字节跳动 Seed、北京大学和清华大学 等机构联合提出的多模态扩散基础模型，统一处理文本推理、多模态理解和文本到图像生成任务。系统引入统一扩散架构、混合长链式思维（Mixed Long CoT）微调策略和统一强化学习算法 UniGRPO，通过共享概率公式和模态无关设计实现跨模态无缝集成。实验显示 MMaDA-8B 在文本推理任务中超越 LLaMA-3-7B 和 Qwen2-7B，在多模态理解任务中优于 Show-o 和 SEED-X，在文本到图像生成任务中超过 SDXL 和 Janus，展现了强大的统一多模态处理能力。
标签：#多模态模型 #扩散模型 #统一架构 #文本推理 #图像生成 #强化学习
Dolphin：字节跳动推出文档图像解析模型，采用异构锚点提示策略
概要：Dolphin 是由 字节跳动 发布的文档图像解析模型，采用"分析-再解析"双阶段架构高效处理包含文本段落、图表、公式和表格等复杂元素的文档图像。模型首先生成阅读顺序中的布局元素序列作为异构锚点，然后结合任务特定提示词对锚点进行并行内容解析。系统在超过 3000 万样本的大规模数据集上训练，涵盖多粒度解析任务，具备轻量化架构和并行解析机制，在多个基准测试中表现优异并显著提升解析效率。AI周报】
标签：#文档图像解析 #异构锚点提示 #布局分析 #内容解析 #开源模型
NovelSeek：Alpha-Innovator发布的多智能体科研闭环系统，实现自动化创新与验证
概要：NovelSeek 是由 Alpha-Innovator 团队发布的多智能体科研自动化平台，构建从假设生成到实验验证的闭环科研流程，支持反应产率预测、分子动力学、增强子活性预测、图像分割等 12 类科学任务。系统集成 Idea Innovation Agent（利用大语言模型生成多样化科研假设）、Code Review Agent（自动分析基准代码并识别改进点）、Assessment Agent（从一致性、可信度、新颖性等维度评估科研方案）和 Orchestration Agent（协调各智能体工作流程）四大核心组件。实验显示该平台在反应产率预测准确率从 27.6% 提升至 35.4%，增强子活性预测准确率从 0.52 提升至 0.79，2D 语义分割精度从 78.8% 提升至 81.0%，显著提升科研效率与创新能力。
标签：#科研自动化 #多智能体系统 #假设生成 #实验验证 #开源平台
BAGEL：字节跳动开源统一多模态模型，具备生成、理解与编辑能力
概要：BAGEL 是由 字节跳动 Seed 团队 发布的开源多模态基础模型，采用 Mixture-of-Transformer-Experts (MoT) 架构，具备 7B 活跃参数（总计 14B），支持文本、图像、视频等多模态数据的理解与生成。模型通过大规模交错多模态数据的预训练，展现出复杂多模态推理能力，包括自由图像编辑、未来帧预测、3D 操作和世界导航等任务。实验结果显示，BAGEL 在多模态理解和生成任务上均优于现有开源模型，展现出强大的统一多模态处理能力。
标签：#多模态模型 #图像生成 #图像编辑 #世界建模 #推理能力 #开源模型