​字节跳动开源新模型VINCIE-3B：3亿参数，支持上下文连续图像编辑

字节跳动宣布开源VINCIE-3B，一款支持上下文连续图像编辑的3亿参数模型，基于其内部MM-DiT架构开发。这款模型突破了传统图像编辑的局限，首次实现从单一视频数据中学习上下文感知的图像编辑能力，无需依赖复杂的分割或修复模型生成训练数据。VINCIE-3B的发布为创意设计、影视后期及内容生成领域带来了全新的可能性。AIbase深入剖析其技术亮点、应用场景及行业影响。

传统图像编辑模型通常依赖任务特定的数据管道，需通过专家模型（如分割、修复）生成训练数据，成本高且流程复杂。VINCIE-3B创新性地直接从视频中学习，通过将视频转化为交错多模态序列（文本+图像），实现上下文感知的图像编辑。具体技术亮点包括:

在性能测试中，VINCIE-3B在KontextBench和新型多轮图像编辑基准测试中达到业界领先水平（SOTA），尤其在文本遵循性、角色一致性和复杂场景编辑（如动态物体移动）上表现优异。生成一张高质量编辑图像的平均时间约为4秒，推理效率比同类模型快约8倍。

VINCIE-3B的完整代码、模型权重及训练数据处理流程已于2025年6月14日在GitHub和arXiv上发布，开发者可通过申请获取完整数据集（联系邮箱:yangsiqian@bilibili.com）。模型基于字节跳动的MM-DiT(3B和7B参数版本)初始化，采用Apache2.0许可证，支持非商业用途，商业应用需联系字节跳动获取许可。

字节跳动还推出了一个多轮图像编辑基准测试，包含真实场景用例，鼓励社区验证和优化模型性能。社交媒体上，开发者对VINCIE-3B的开源表示热烈欢迎，认为其“从视频学习”的方法为低成本AI内容创作开辟了新路径。

VINCIE-3B支持基于文本和先前图像的连续编辑，适用于多种场景:

例如，提示“将穿红裙的女孩从公园移到海滩，保持裙子纹理，调整为夕阳光照”可生成自然融合的图像，裙子细节和光影效果高度逼真。AIbase测试显示，VINCIE-3B在多轮编辑中能保持90%以上的角色一致性，优于FLUX.1Kontext [pro]在复杂场景下的表现。

尽管VINCIE-3B表现出色，仍有一些局限:

AIbase建议用户在使用VINCIE-3B时，结合其提供的KontextBench数据集进行测试，以优化提示设计。对于商业用户，建议联系字节跳动明确许可条款。

VINCIE-3B的发布标志着图像编辑从静态到动态、从单一到上下文连续的范式转变。与Black Forest Labs的FLUX.1Kontext（专注于静态图像编辑）相比，VINCIE-3B通过视频学习实现了更强的动态场景理解，特别适合需要时间序列一致性的应用。 相比Bilibili的AniSora V3(专注于动漫视频生成)，VINCIE-3B更通用，覆盖现实场景和虚拟内容生成。

字节跳动的开源策略进一步巩固了其在AI创意工具领域的领先地位。AIbase认为，VINCIE-3B的“视频到图像”训练方法可能启发其他公司探索类似路径，降低AI模型开发成本，推动创意产业的民主化。

huggingface:https://huggingface.co/ByteDance-Seed/VINCIE-3B