OmniGen2 是一个强大且高效的统一多模态模型。其架构由两个关键组件组成：一个3B视觉语言模型（VLM）和一个4B扩散模型。在这个设计中，冻结的3B VLM (Qwen-VL-2.5) 负责解释视觉信号和用户指令，而4B扩散模型则利用这种理解来执行高质量的图像生成。
这种双组件架构在四个主要能力上表现出色：
视觉理解：从其Qwen-VL-2.5基础继承了强大的图像内容解释和分析能力。
文本到图像生成：根据文本提示生成高保真度和美观的图像。
指令引导的图像编辑：以高精度执行复杂的基于指令的图像修改，在开源模型中达到最先进的性能。
上下文生成：一种多功能的能力，可以处理并灵活组合各种输入——包括人类、参考对象和场景——以产生新颖且连贯的视觉输出。
作为一个开源项目，OmniGen2为研究可控和个性化生成AI的研究人员和开发者提供了一个强大且资源高效的基石。
开源地址：https://github.com/VectorSpaceLab/OmniGen2
配置要求：
操作系统：Windows 10/11 64位
内存：24G以上
显卡：至少16G及以上显存的英伟达（NVIDIA）显卡，30系及以上显卡
CUDA：显卡支持的CUDA版本大于等于12.8版本
整个包解压完约66.6G，要留足硬盘空间
