之前我说可能要半年才能有功能完整的GPT-4o用嘴改图平替，看来还是保守了🥹 才3个多月，感觉OminiGen2能做到70%了？
《OmniGen2：多模态生成模型 · Hugging Face》
🧐OmniGen2 是一个结构解耦、功能多元的统一多模态生成模型，支持文本生成图像、图像编辑、图像理解和多图融合，并具备高效率、低资源门槛及开源透明的特性，是当前开源界少有的“Any-to-Any”多模态生成范式代表。
➡️链接：huggingface.co
➡️在线试玩demo：huggingface.co
✨重点

●🧠 四大核心功能构成完整的多模态闭环：
文本生成图像（Text-to-Image）；
指令引导图像编辑（Instructional Image Editing）；
图像内容理解（Visual Understanding）；
上下文图像生成（In-context Generation）；

→ 支持“人+图+场景”的组合输入，灵活创作全新视觉输出。
●🔀 图文解码路径解耦设计：OmniGen2 相比前代采用了非共享参数的“图像与文本解码器”结构，辅以独立图像Tokenizer，使其在图文任务间达到更精细的性能调控。
●⚙️ 强大兼容性，适配低显存设备：即使在没有 flash-attn 的环境中亦可运行，并支持两种 CPU Offload 模式——
普通卸载：显存减半；
逐模块卸载：显存可压缩至 3GB（代价是性能下降）。
●🎛️ 灵活的控制参数体系，强化可控性：
text_guidance_scale 和 image_guidance_scale 实现对文字与图像参考内容影响力的平衡；
negative_prompt 支持抑制不想生成的内容（如水印、模糊）；
cfg_range_end 用于缩短推理时间且几乎无质量损失。
●💡 in-context generation 为亮点能力之一：不仅支持“把图1中的鸟放到图2的桌子上”这类跨图元素组合，也可在给定人物、背景、对象条件下生成一致的新图像，实现复杂语境内的图像重组。
●🧪 本地运行与在线体验并重：提供 Gradio 本地demo和 HuggingFace Spaces 线上体验（多个备份地址防卡顿），便于开发者快速测试模型效果。
●📦 即将开放训练代码与数据构建流程：虽目前仅开源模型权重，但官方计划开放训练数据和脚本，推动多模态生成研究与个性化微调落地。
●🖼️ 使用建议与性能优化技巧详尽：
推荐高质量输入图像（512x512 以上）；
英文 prompt 效果更佳；
明确指令比模糊描述更有效。
🧩总结：OmniGen2 不是单一功能的图像生成器，而是一个具备“理解 + 编辑 + 生成 + 组合”全流程能力的多模态 AI 平台，其结构创新、开放性和工程兼容性，使其成为下一代“可控图文智能”的重要开源基石。