字节跳动团队近期发布并开源了uso（unified style-subject optimized）模型，这一创新框架首次将“风格驱动”与“主体驱动”两类传统上相互独立的图像生成任务整合到一个统一模型中，成功实现了在两个方向上均达到开源领域最先进水平（sota）的突破。

USO通过解耦内容与风格特征，并引入奖励学习机制，构建了首个能够同时处理风格迁移与主体定制的统一生成架构。

以往的方法往往将风格保真度与主体一致性视为矛盾目标，而USO则提出了一种跨任务协同解耦的新范式。该方法基于一个包含20万组三元组的大规模训练集（包括风格参考图、去风格化的主体图以及对应的风格化结果图），利用主体生成模型合成高质量的风格化图像数据，并通过风格奖励信号指导解耦训练过程，从而优化主体保持能力。

GitLab Hackathon

规划和执行公平的GitLab黑客松参与，包括季度黑客松和Transcend黑客松，分析规则，筛选符合条件的issue和MR，并跟踪进度。

下载

从技术实现上看，USO采用SigLIP的多尺度特征投影进行风格对齐训练，结合内容-风格解耦编码器来分离条件输入中的不同语义信息，并进一步引入风格奖励学习（SRL）策略，显著增强了特征解耦的精度与生成效果。

目前，USO的完整代码、预训练权重已发布在Hugging Face和GitHub平台，同时提供在线体验Demo及一键部署脚本，便于研究者与开发者快速上手。

https://www.php.cn/link/d351f787f92fd392b0c30979e85630ef
https://www.php.cn/link/788fa30233fcab2260b28ae40dde74a7
https://www.php.cn/link/902560b1f108bc2a170725b884863354
https://www.php.cn/link/b12564853249eafedf53525ef9b6b0f6