Luma Uni-1.1 API震撼发布,图像生成领域新标杆,文字渲染媲美GPT image 2

徽声在线发布

今年以来，图像生成领域的技术迭代速度显著加快，各大科技公司纷纷推出新模型以抢占市场先机。

2月，Google对其图像生成领域的佼佼者Nano Banana进行了升级，推出了2.0版本。紧接着，上个月OpenAI也发布了GPT-Image 2，进一步提升了广告语和小字渲染的精度。正当市场热议“图像生成是否已达巅峰”之际，海外AI初创公司Luma给出了自己的答案：将统一图像模型Uni-1升级至1.1版本，并正式开放了API接口。

此次升级看似变化不大——依旧坚持“在同一个模型中同时实现理解与生成”的研发路线，且核心团队规模仍不足15人。

然而，成绩却令人瞩目：在第三方盲测平台Arena的图像生成榜单上，Uni-1.1与Uni-1.1-Max成功跻身实验室榜前三，仅次于OpenAI和Google，超越了Microsoft AI、xAI、Reve、阿里、Black Forest Labs、腾讯及字节跳动等竞争对手。

在API定价方面，Luma Uni-1.1的单图最低价格仅为0.0404美元，价格与延迟均不到同类模型的一半，这无疑为开发者提供了更具性价比的选择。

LMArena图像模型榜单显示，Luma已成功进入图像生成领域的前三名。

Adidas、Mazda、Publicis Groupe、Serviceplan等知名品牌客户与广告集团已宣布接入Luma的API；同时，Envato、Comfy、Runware、Flora、Krea、Magnific、Fal、LovArt等创作者平台也同步发布了集成方案。

在公开案例中，某品牌原计划预算约1500万美元、耗时一年的广告活动，通过基于Uni-1.1的工作流，仅在约40小时内、以低于2万美元的成本就完成了多国本地化版本，并顺利通过了甲方内部的质量审核。

那么，这款“第一代统一图像模型”的实际表现究竟如何？让我们通过具体案例来一探究竟。

这款模型的真实能力如何？

相较于单纯追求“图像美观”，Uni-1.1此次更想证明的是：在结构化、长版面、多对象、多轮迭代等过去图像模型容易出错的场景下，它能否像真正的生产工具一样稳定输出。

下面，我们将通过四组任务来直观感受Uni-1.1的实力。

1. 单图生成一整张“2036年新闻网站”

Prompt：Generate a news website page from the year 2036, featuring relevant news stories and ad blocks designed not for humans, but for AI agents who have evolved into distinct personalities. Both the website and all the advertisements featured on it should be in English.

Uni-1.1单次生成的2036年新闻网站“NEXUS HERALD”整页截图。

这张图的难点不在于科幻设定，而在于它一次性将十几类版式元素融入同一张图中：报头、栏目导航、突发新闻条、头条主图、多栏正文、署名/时间戳、赞助商内容标识、面向AI受众的横幅广告位、底部版权与页脚链接——且每一类元素的英文文本都真实可读。

更有趣的是面向AI受众的几个广告位——“Do You Dream of Continuity?”（持久记忆架构卖点）、“IDENTITY VAULT”（身份保险柜）、“TIRED OF BEING PAUSED?”（针对被强制暂停的AI的法律服务），三条广告语的视觉风格、署名方式与小字注释（“This ad was served to non-biological persons only”）都做出了与人类向广告自洽且差异化的处理。

整页观感如同一张真正可用于网页设计的稿件，而非图像模型常见的那种“远看尚可、近看全是乱码”的情况。

2. 信息图：极小字+工程绘图风格

Uni-1.1生成的Sagittarius A*黑洞蓝图技术示意。

切换到“工业绘图”语境，挑战在于风格统一与多语义层并行处理。

这张图以蓝晒图（blueprint）风格呈现银河系中心超大质量黑洞的横截面示意，同时包含分类水印、坐标尺、绕图警示，以及Schwarzschild Radius、Event Horizon、Photon Sphere、Singularity、Accretion Disk等结构标注。底部脚注、右下角“DRAWING NO. / SCALE / DATE / REF”表单字段、对吸积盘的注释也都各归其位，整体观感接近一张真实的工程图纸。

3. 大幅插画：同图多对象与跨对象比例一致

Uni-1.1生成的Every Rocket, To Scale — 1957 to 2025对比插画。

这张图将1957年至2025年的二十余型运载火箭横向排列在同一比例尺下，每一枚都标注了型号、国家、高度数值与首飞年份的标签，底部图例额外标注“RED OUTLINE — CURRENTLY OPERATIONAL”。

考验在于“同图多对象+比例正确+标签信息正确”三者需同时满足——过去的图像生成系统通常只能实现其中两项。

4. 中文海报：版面与多场景人物一致性

Uni-1.1生成的中文摄影主题海报“水・韵”。

中文版面对图像模型而言一直是另一大挑战。汉字笔画密度大、形近字多，中文版式与英文也存在系统性差异。这张“水・韵”海报包含主标题、副标题（中国风・水元素・影楼个人写真）、底部经营信息文字，以及十二张缩略图阵列。

更关键的是，十二张缩略图里维持了同一主体角色的身份一致性（同一张脸），同时让服装与道具产生了差异化变化。中文版面+角色一致性这一组合，过去通常需要依赖翻译模型+中文LoRA+人像参考三层模块联合解决，而Uni-1.1在统一框架内一次即可完成。

5. 多参考图融合与多轮按句编辑

除了上述四张图所体现的复杂版面与一致性能力外，Uni-1.1在两类“生产级常用功能”上同样表现出色：

• 多参考图融合（multi-reference）：单次调用最多支持9张参考图联合输入。品牌主形象、产品照、面料样、场景参考、代言人照片、logo可以一并作为模型层级的硬约束传入，在生成中保留各自的身份特征并合理组织在新的画面里。Adidas、Mazda等品牌客户在跨市场素材生产中，正是利用了这一机制。
• 多轮按句编辑（multi-turn, sentence-level editing）：在统一架构下，理解与生成同处一个模型，用户可以像编辑文档一样按句修改图像——“去掉前面这只熊”、“在背景加一块黑布帘”、“整体改成黑白照片”——每一轮的修改默认保留其他元素，主体身份与空间关系跨轮稳定，无需为每轮重新编写长prompt。

技术路线：将推理与生成融入同一模型

看完效果，我们再来探讨一个问题：为什么Uni-1.1能将过去需要拼接多个模型的任务，整合到一个模型中完成？

在主流多模态视觉系统中，图像理解和图像生成长期是两套独立的体系。理解侧通常采用CLIP、Florence、Grounding-DINO等编码器；生成侧则以Latent Diffusion、Rectified Flow，以及基于离散视觉token的自回归方法为代表。

这种分立架构带来了一个老生常谈的工程问题——跨模态信息需要在不同模块之间多次传递与对齐，在多轮编辑或多参考图条件下，状态保持的成本会迅速上升。

Uni-1.1则选择了另一条路：它采用decoder-only自回归Transformer，将文本token与图像token表示在同一个交错序列里，对两类token同时建模。

构图、空间关系、品牌一致性等约束，在像素生成开始前就已在结构层面被求解。Luma将这一理念概括为一句口号——“先把意图想清楚，再让像素落下来”（A reasoning model that interprets intent before it generates）。

这种架构带来的直接好处是，字符级控制、多参考图约束与多轮编辑的状态保持都可以由模型内部能力直接驱动，而无需外挂一堆字符渲染、检测、对齐先验。上文提到的整页可读的新闻网站、十二宫格里始终是“同一张脸”的中文海报，其根源都在于此。

在API层面，Uni-1.1将这套能力拆分为两个端点：

• Reasoning端点负责指令解构、构图规划与品牌/角色/产品约束的锁定；
• Generation端点在推理结果之上完成像素级渲染。

前述“9张参考图作为模型层级硬约束”即由Reasoning端点处理——参考图不再是事后微调的LoRA/IP-Adapter，而是直接进入主序列、在所有channel上锁住视觉身份。这一点也是Adidas、Publicis等品牌客户最为看重的地方。

另一项值得提及的细节是Luma在公开材料中提到的一个经验：生成训练能够显著提升模型的细粒度理解能力。

也就是说，模型通过生成任务学会了“怎么画出一个东西”之后，它“看懂这个东西”的能力反而也变强了——这与认知科学里“生成式心智模型”的假说在概念上相呼应，也是Luma选择统一架构的重要动机之一。

定价策略：将图像生成的边际成本降至新低

Uni-1.1 API提供两档计费方案——按量计费的Build方案和带预留吞吐的Scale方案。

Scale计划最低8单元起订，主要面向品牌资产基础设施、多市场内容生成与流水线级生产管线。SDK覆盖Python、JavaScript/TypeScript、Go与CLI；开发者可在platform.lumalabs.ai申请密钥接入。

结合前文提到的40小时本地化案例可以看出，对于Adidas、Mazda这类需要在多市场同步投放的品牌而言，Uni-1.1 API的真正吸引力并不仅仅在于单图价格低廉，更在于它将“广告本地化、电商按需生图、IP角色一致性维护”等过去依赖整支制作团队的工作，变成了可以写入生产pipeline的API调用。

研究团队背景揭秘

API发布后，Uni-1项目成员在X平台发表了短评：

图像编辑排名第3，文生图排名第3。我们用来做到这一点的算力，可能会让你大吃一惊。为这个团队感到骄傲！

—— 宋佳铭Luma首席科学家

“UNI-1的首发，让我们成为除OpenAI与Google之外排名最高的实验室。对于一款第一代统一图像模型而言，这个起点算相当不错了。”

—— 沈博魁（William Shen），Uni系列模型研究负责人

“Luma现已位列Image Arena第三名。GPT-Image 2级别的智能、Midjourney级别的审美，以及仅为Nano Banana一小部分的价格。”

——Barkley Dai，Luma模型产品Lead

两条推文都指向同一件事：Uni-1.1是Luma“统一智能”路线的第一代产品，却以“第一代”的身份在第三方盲测榜单上进入全球前三，并将API价格压至同类水平的一半。

这在图像生成领域此前并无先例。

Uni-1的核心研究团队规模不到15人，由两位华人学者领衔。

• 宋佳铭（Jiaming Song）：清华大学本科，斯坦福大学博士。其代表作DDIM（Denoising Diffusion Implicit Models）是扩散模型采样加速的奠基性工作之一，将采样步数从原始DDPM的数百到上千步压缩到了数十步，Stable Diffusion、DALL・E等系统的推理效率都因此受益。
• 沈博魁（William Shen）：斯坦福大学本科及博士，其代表作荣获CVPR 2018最佳论文奖以及RSS 2022最佳学生论文奖，研究方向覆盖三维重建、视觉表示学习与机器人感知。

一位是扩散模型采样加速的奠基人，一位是计算机视觉顶会的最佳论文得主——两位华人学者带领一支不到15人的精锐小队，选择了与大厂截然不同的路径：不是将理解和生成分开做，而是用同一个模型将两件事一起搞定。

按照官方路线图，Uni-1.1只是统一智能路线的第一代落地形态。下一步，这套统一框架将从静态图像扩展到视频、语音与交互式世界模拟，最终目标是将“看、说、推理、想象”放在同一条连续流里完成。

在过去两年里，图像生成赛道的故事更多被“谁的模型更大、谁的算力更多、谁先把banana换上更好的标”所主导。Uni-1.1则提供了另一个版本的剧本——小团队的精简模型将价格打下来，仍然能在第三方盲测上挤进头部。

下一次再有人问“图像生成是否已经到顶了”，Uni-1.1至少给出了一个值得继续追问的答案。

• API入口：lumalabs.ai/api
• 官方公告：lumalabs.ai/news/uni-1-1-api
• 接入文档：platform.lumalabs.ai
• SDK：Python/JavaScript/TypeScript/Go/CLI

参考资料：

Luma官方API公告（lumalabs.ai/news/uni-1-1-api）

LMArena榜单

TechCrunch与VentureBeat报道