Ming-Lite-Uni：自然多模态交互统一架构的进展
GITHUB 📑 Technical Report｜🤗 Hugging Face｜🤖 ModelScope
简介
Ming-Lite-Uni 是一个开源的多模态框架，包含一个全新设计的统一视觉生成器，以及一个原生多模态自回归模型，用于整合视觉与语言能力。
本项目提供了集成 MetaQueries 与 M2-omni 框架 的开源实现，并引入了创新性的多尺度可学习Token机制与多尺度表示对齐策略。Ming-Lite-Uni 利用固定的MLLM与可训练的扩散模型，使原生多模态AR模型不仅支持文本生成图像（text-to-image），还支持基于指令的图像编辑，从而扩展其功能，不再局限于视觉理解。实验结果表明，Ming-Lite-Uni 具备强大的性能表现，并在交互体验上展现出高度流畅性。目前该项目处于alpha阶段，将持续优化中。
感谢大家的支持与关注！我们正在稳步推进项目，并取得了良好进展，更多更新即将到来，敬请期待！
📌 更新日志
- [2025.05.03] 🔥 我们的 技术报告 已在 arXiv 发布
- [2025.05.03] 🔥 Ming-Lite-Uni 首个版本正式开源
为什么重要？
Ming-Lite-Uni 的统一架构克服了传统方法的根本性局限：
| 传统方法 | Ming-Lite-Uni 的优势 |
|---|---|
| 模块化流程 （如 CLIP/SigLIP + 扩散模型） | 端到端统一模型 理解与生成无缝融合 |
| 离散Token自回归 （视觉定位能力有限） | 连续Token空间 原生支持细粒度视觉概念 |
| 固定分辨率处理 （上采样会产生伪影） | 多尺度自适应 各分辨率下均保持一致的画质 |
| 编辑流程分离 （需要手动对齐） | 对话驱动控制 自然语言指导像素级编辑 |
| 理解瓶颈 （视觉语义错位） | 联合表示学习 理解与生成能力相互增强 |
核心增强点
- 统一的视觉理解与生成架构：Ming-Lite-Uni 在 OpenCompass 榜单中理解得分达 69.7，优于 DeepSeek-VL2 (66.4)；同时在 GenEval 图像生成基准上取得 0.62 的得分，超过 SDXL (0.55)。
- 多尺度可学习Token：引入4×/8×/16×多尺度的分层Token，分别捕捉图像的整体布局（低分辨率）、物体结构（中分辨率）和细节纹理（高分辨率），GenEval得分提升3.5%。
- 多尺度表示对齐：设计了尺度一致性损失，通过原生分辨率优化确保各层级表示与最终结果的一致性，图像重建质量提升超过2dB PSNR，GenEval得分提升1.5%。
- 具备AGI能力的系统：支持“生成城堡 → 添加日落 → 调整视角”等链式指令，响应时间<1秒（RTX 4090测试）。系统支持指令驱动的生成与编辑，并已对齐 GPT-4o（2025年3月行业标杆）。
赋能多模态交互
Ming-Lite-Uni 是统一的多模态理解模型，突破传统NLP与视觉理解范畴，进一步支持图像生成、图像编辑与风格迁移等交互式生成任务。
模型结构
Ming-Lite-Uni 是面向图像理解与高保真图像生成的统一多模态模型。其将图像表示压缩为连续视觉Token，并与文本Token一同输入自回归Transformer中进行处理；生成部分则由外部训练的扩散模型（SANA）执行，输入为Transformer生成的Token。
Benchmark 评测
我们使用公开基准对 Ming-Lite-Uni 的多模态理解与文本生成图像能力进行了分别的定量评估。对于多模态理解，我们与传统的图文输入文本输出模型，以及具备视觉生成能力的最新模型进行了对比。对于多模态生成，我们在 GenEval 基准上评估了文本生成图像的表现。详细信息请参考我们的技术报告。
Multimodal Understanding
| Type | Model | Avg. | MMB | MMS | MMMU | MathV | Hall | AI2D | MM-Vet |
|---|---|---|---|---|---|---|---|---|---|
| Und. Only | LLaVA-72B | 68.0 | 84.5 | 65.8 | 56.6 | 68.4 | 47.9 | 86.2 | 60.6 |
| Qwen2.5-VL-7B | 76.2 | 87.8 | 71.1 | 67.9 | 70.8 | 58.8 | 88.2 | 76.7 | |
| Emu3-Chat | - | 58.5 | - | 31.6 | - | - | - | 37.2 | |
| InternVL2.5-78B | 75.2 | 87.5 | 69.5 | 70 | 71.4 | 57.4 | 89.1 | 71.8 | |
| DeepSeek-VL2 | 66.4 | 81.2 | 61.0 | 50.7 | 59.4 | 51.5 | 84.5 | 60.0 | |
| GPT-4o-20241120 (closed) | 72.0 | 84.3 | 65.1 | 70.7 | 59.9 | 56.2 | 84.9 | 74.5 | |
| Step-1o (closed) | 77.7 | 87.3 | 69.3 | 69.9 | 74.7 | 55.8 | 89.1 | 82.8 | |
| Und. and Gen. | TokenFlow-XL | - | 68.9 | - | 38.7 | - | - | - | 40.7 |
| Janus-Pro-7B | - | 79.2 | - | 41.0 | - | - | - | 50.0 | |
| Ours (Ming-Lite-Uni) | 69.7 | 80.7 | 60.5 | 51.2 | 68.3 | 51.8 | 84.5 | 72.3 |
Image Generation
| Type | Method | Single Obj. | Two Obj. | Counting | Colors | Position | Color Attri. | Overall |
|---|---|---|---|---|---|---|---|---|
| Gen. Only | LlamaGen | 0.71 | 0.34 | 0.21 | 0.58 | 0.07 | 0.04 | 0.32 |
| SDv2.1 | 0.98 | 0.51 | 0.44 | 0.85 | 0.07 | 0.17 | 0.50 | |
| Emu3-Gen | 0.98 | 0.71 | 0.34 | 0.81 | 0.17 | 0.21 | 0.54 | |
| SDXL | 0.98 | 0.74 | 0.39 | 0.85 | 0.15 | 0.23 | 0.55 | |
| DALL-E 3 | 0.96 | 0.87 | 0.47 | 0.83 | 0.43 | 0.45 | 0.67 | |
| SD3-Medium | 0.99 | 0.94 | 0.72 | 0.89 | 0.33 | 0.60 | 0.74 | |
| Und. and Gen. | Show-o | 0.95 | 0.52 | 0.49 | 0.82 | 0.11 | 0.28 | 0.53 |
| TokenFlow-XL | 0.95 | 0.60 | 0.41 | 0.81 | 0.16 | 0.24 | 0.55 | |
| Janus-Pro-1B | 0.98 | 0.82 | 0.51 | 0.89 | 0.65 | 0.56 | 0.73 | |
| Ours (Ming-Lite-Uni) | 0.99 | 0.76 | 0.53 | 0.87 | 0.26 | 0.30 | 0.62 |
Example Usage
System Requirements
- Python: >= 3.8
- PyTorch: >= 2.4.1+cu12.2 (CUDA 12.2 compatible)
- flash-attn: >= 2.6.3
Installation
We recommend installing the following versions to set up your environment using pip:
pip install -r requirements.txt
-
Usage Guided
Below is an example of how to load and use the model:
import torch
import os
from Ming_Uni.MingUniInference import Ming_Uni_Inference
from Ming_Uni.process import MyProcessor
device = torch.cuda.current_device()
device = torch.device(device)
model_path='../Ming-Lite-Uni/'
model = Ming_Uni_Inference(model_path)
model.to(torch.bfloat16)
model.to(device)
model.eval()
llm_model=os.path.join(model_path, 'qwen2_5_llm')
my_proc=MyProcessor(llm_model)
image_file = "tests/cake.jpg"
prompt = "add a candle on top of the cake"
inputs = my_proc.process(image_file=image_file, prompt=prompt, device=device)
result = model.image_gen_generate(inputs, steps=30, seed=42, cfg=5.0, height=512, width=512)[1]
result.save("result.png")
For more advanced usage, such as fine-tuning or generating images, refer to the documentation.
致谢
该项目目前处于早期阶段。尽管一些初步结果令人鼓舞，但要实现理解与生成的无缝整合，还需取得较大进展。代码和模型都需要进一步打磨和优化，因此我们选择将项目开源。欢迎社区贡献力量，共同完善和发展该项目。如果您有任何建议或发现代码中的问题，请通过 Pull Requests 进行贡献。感谢您的支持和关注！
开放协作
我们开源了 Ming-Lite-Uni，以加速向通用人工智能（AGI）迈进，特点包括：
- 📂 完整模型权重与测试代码
- 🧩 模块化架构，方便扩展
- 📊 全面基准测试（对比 GPT-4V、SDXL 等）
"2025 年 3 月 ChatGPT-4 同步发布图像生成功能，印证了我们关于统一多模态 AI 是下一范式的愿景。"
联系方式
如果在使用本项目过程中需要帮助或遇到问题，请在 GitHub 提交 issue。
许可与法律声明
Ming 遵循 MIT 许可证，法律声明见项目根目录下的 LEGAL.md 文件。
引用
如果您觉得我们的工作对您有帮助，欢迎引用。
@article{Mingunify2025,
title = {Ming-Lite-Uni: Advancements in Unified Architecture for Natural Multimodal Interaction},
author = {Inclusion AI, Ant Group},
journal = {arXiv preprint},
year = {2025}
}