当语言无法精准传递灵感时，AI能否跨越文字的局限，直接捕捉创作者心中的视觉想象？香港科技大学贾佳亚团队最新推出的DreamOmni2模型，通过突破性的多模态编辑技术，为这一难题提供了创新解决方案。该成果在GitHub上线两周即收获1600颗星，引发YouTube创作者群体热议，被视为AI图像生成领域的里程碑。
传统AI创作工具长期受困于指令依赖困境。当用户试图将照片中的背包替换为波西米亚风格图案时，复杂纹理的语义描述往往导致结果偏差；而模仿老照片的复古光影或画家笔触时，现有模型更因抽象属性处理能力不足而束手无策。DreamOmni2的突破性在于，其构建的FLUX Kontext基座模型通过多参考图像解析机制，首次实现了对具体物体与抽象概念的同步编辑。
实测数据显示，该模型在人物替换任务中展现出惊人精度。将赛博场景中的男性角色替换为女性形象时，生成的画面不仅完整保留了背景光影与文字细节，更通过面部光线迁移技术，使新角色自然融入原始环境。在风格迁移测试中，模型成功将像素艺术、二次元画风等视觉特征完整迁移，相较GPT-4o的色调复制和Nano Banana的简单变色，展现出对艺术风格的深度理解。
技术白皮书揭示，研究团队通过三阶段数据工程构建了新型训练范式。首先利用特征混合技术生成包含相同物体/属性的高质量图像对，解决数据稀缺难题；继而开发提取-编辑双模型架构，自动生成（源图+指令+参考图）→目标图的完整训练链；最终通过多参考图像生成机制，形成覆盖具体物体与抽象属性的综合数据集。这种创新方法使模型在基准测试中，抽象属性处理得分超越GPT-4o与Nano Banana。
模型架构创新同样引人注目。针对多图像输入的混淆问题，研究团队引入索引编码与位置偏移技术，使模型能精准区分不同参考图像。通过视觉语言模型（VLM）与生成模型的联合训练机制，系统可自动将用户模糊指令转化为结构化操作，显著提升真实场景下的指令理解能力。LoRA微调策略的运用，则在保持基座模型性能的同时，实现了多模态能力的无缝激活。
在四图组合生成测试中，DreamOmni2将三位不同角色的特征与第四张图的画风完美融合，生成画面中人物服饰细节、动物品种特征与艺术笔触均得到准确呈现。这种跨图像、跨模态的编辑能力，使设计师能直接通过视觉参考进行创作，而非依赖文字描述。YouTube教程作者评价该模型为"免费工作流中的性能王者"，其多图编辑精度已达到专业创作工具水准。
