谷歌nana-banana平替来了？字节开源 USO：人物和画风，我全都要！

大家好，这里是 Agentic AI，我是 Mountain。

最近 AI 绘画的进展一个接一个：前有 Qwen-Image-Edit 带来了更自然的图像编辑体验，后有 Google 的 nana-banana，把“人物一致性 + 风格迁移”结合到了一起。就在大家以为这两条路线还需要各自打磨的时候，字节跳动研究院突然放出一个更激进的框架——USO。它直接喊话：“小孩子才做选择，成年人全都要！”

USO Teaser Image

看上图就明白了，输入一张人物图（Subject），一张风格图（Style），USO就能像个顶级魔法师一样，把人物毫发无损地“传送”到新的风格世界里。这可不是简单的换脸或者滤镜，而是真正意义上的内容与风格的重组。

啥是USO？

USO，全称 Unified Style and subject-driven GeneratiOn，翻译过来就是“统一风格与主体驱动的生成框架”。名字听起来有点学术，但野心暴露无遗。

过去，我们处理这类问题的方法很“分裂”：

• 主体驱动（换人）：主要靠 LoRA、DreamBooth 这类技术，目标是死死锁住人物的ID特征，为了保真度，宁可牺牲风格的多样性。
• 风格驱动（换画风）：主要靠 IP-Adapter 这类技术，目标是精准复刻参考图的风格、构图和氛围，但对画面里的具体“内容”是谁，它并不关心。

字节的研究员们认为，这两个看似对立的任务，本质上都是“内容”与“风格”的分离与重组问题。既然根儿上是一件事，为啥要用两套方案？于是，USO应运而生，它的核心思想就两个字：解耦（Disentanglement）。

庖丁解牛

相比 Qwen-Image-Edit 的“编辑场景更灵活”、nana-banana 的“人物和风格两手抓”，USO走的是更彻底的一步——它要把这两类问题统一在一套框架里解决。核心思想只有两个字：解耦（Disentanglement）。

在字节研究员看来，无论是“换人”还是“换画风”，本质上都是把图像拆解成“内容”和“风格”，然后再按需求重新组合。既然底层问题是同一个，为什么还要分两套方案？于是，USO 直接把“主体一致性”和“风格迁移”收归到一个统一生成器里。它是怎么修炼这门手艺的呢？主要靠三板斧：

1. 海量“小抄”喂养：首先，他们构建了一个大规模的三元组数据集（triplet dataset）。每一组数据包含三张图：一张内容图（比如，一个男人的照片），一张风格图（比如，梵高的《星空》），以及一张最终合成好的、带着梵高风格的这个男人的画。这等于是在一开始就给了模型无数“标准答案”，让它死记硬背“内容+风格=最终效果”的公式。
2. 左右互搏式解耦训练：这是最骚的操作。他们在训练时引入了两个互补的目标：
   • 风格对齐（Style-alignment）：让模型学习如何让生成图的“风格特征”无限接近参考风格图。
   • 内容-风格解耦（Content-Style Disentanglement）：同时，又让模型学习如何把“内容特征”从风格中剥离出来。这就像一边教徒弟模仿齐白石画虾的笔法，一边又反复敲打他：“记住，你画的是龙虾，不是齐白石画里的河虾！形似神不似，懂吗！”
3. 引入“品味”裁判（Reward Learning）：光靠死记硬背还不够，还得有品味。USO引入了一个“风格奖励学习”范式。简单来说，他们训练了一个“审美模型”，这个模型专门负责给USO生成的图打分，判断它的风格学得到底地不地道。这就好比给学徒配了个米其林三星大厨当品鉴师，不断地进行“魔鬼训练”，直到模型的“画品”达到大师级水准。

哦对了，还有一个关键点必须提。USO的基座模型不是我们熟悉的Stable Diffusion，而是FLUX.1-dev！这是个基于Diffusion Transformer架构的新秀，和Sora、Stable Diffusion 3师出同门。这意味着USO从根基上就站在了更前沿的技术路线上，潜力巨大。

与谷歌nano-banana比较

魔法咒语

心动不如行动，虽然USO目前还处于研究和代码阶段，安装稍微有点折腾，但官方给出的推理脚本已经把它的核心能力展示得明明白白。官方提供了几种玩法，我给大家翻译一下：

1. 数字分身（只换人）给一张人物参考图，然后用prompt描述新场景。

# --image_paths 后面第一个是人物图，后面没有就是纯换场景
python inference.py \
  --prompt"这个男人在花店里，正在精心搭配花束。" \
  --image_paths"assets/gradio_examples/identity1.jpg"

2. 风格迁移（只换画风）不给人物图（路径留空），只给一张或多张风格参考图。

# 第一个路径 "" 表示没有内容参考，后面全是风格参考
python inference.py \
  --prompt"一只猫在椅子上睡觉。" \
  --image_paths"""assets/gradio_examples/style1.webp"

3. 终极合体（人+画风全都要）这才是USO的完全体！同时提供人物图和风格图。

# 第一个是人物，第二个是风格
python inference.py \
  --prompt"这位女士在讲台上发表演讲。" \
  --image_paths"assets/gradio_examples/identity2.webp""assets/gradio_examples/style2.webp"

4. 风格融合（多种画风混合）一个更有趣的玩法，你可以输入多个风格参考，让模型自己去“悟”。

# 喂给它两种风格，看看能融合出什么
python inference.py \
  --prompt"一个帅气的男人。" \
  --image_paths"""assets/gradio_examples/style3.webp""assets/gradio_examples/style4.webp"

从这些例子能看出来，USO的设计思路非常清晰且强大，通过一个--image_paths参数，就优雅地实现了多种个性化生成模式的切换。

总结

我个人感觉，最近绘画方面的进展非常大，前有Qwen-Image-Edit，后有Google nana-banana，现在字节给出了新的解答。当然，目前这个项目还很早期（论文USO: Unified Style and Subject-Driven Generation via Disentangled and Reward Learning），安装和使用对于普通玩家还有点门槛。但如果它继续完善下去，未来 AI 绘画的个性化可能就会像开关图层一样简单。

如果你觉得这篇文章对你有帮助，别忘了 点赞、转发、在看，并留言分享你的看法～