一、教程简介

UNO 项目是字节跳动智能创作团队于 2025 年 4 月发布的 AI 图像生成模型，可以同时支持单主体和多主体图像生成，用一个模型统一了多个任务，展现了强大的泛化能力。相关论文成果为「Less-to-More Generalization: Unlocking More Controllability by In-Context Generation」。

该项目支持多种数据格式和存储后端，具备强大的查询优化能力和灵活的扩展性，适用于大规模数据分析场景。 UNO 致力于通过简洁的 API 和丰富的功能特性，帮助开发者轻松构建高效的数据处理流程，为企业和开发者提供可靠的数据基础设施支持。

本教程采用资源为单卡 RTX 4090 。

👉 该项目提供了一种型号的模型：

• FLUX. 1-dev-fp 8 ：这是一个 120 亿参数的整流转换器，能够从文本描述中生成图像。

项目示例

二、运行步骤

1. 启动容器后点击 API 地址即可进入 Web 界面

若不显示「模型」，这表示模型正在初始化，由于模型较大，请等待约 1-2 分钟后刷新页面。

2. 进入网页后，即可与模型展开对话

❗️重要的使用技巧:

• Number of steps:  表示模型的迭代次数或推理过程中的步数, 代表模型用于生成结果的优化步数。更高的步数通常会生成更精细的结果，但可能增加计算时间。
• Guidance:  它用于控制生成模型中条件输入（如文本或图像）对生成结果的影响程度。较高的指导值会让生成结果更加贴近输入条件，而较低的值会保留更多随机性。
• Seed:  是随机数种子，用于控制生成过程中的随机性。相同的 Seed 值可以生成相同的结果（前提是其他参数相同），这在结果复现中非常重要。

使用步骤

交流探讨

🖌️ 如果大家看到优质项目，欢迎后台留言推荐！另外，我们还建立了教程交流群，欢迎小伙伴们扫码备注【SD 教程】入群探讨各类技术问题、分享应用效果↓

引用信息

感谢 Github 用户 xxxjjjyyy1  对本教程的制作，本项目引用信息如下：

@article{wu2025less,
  title={Less-to-More Generalization: Unlocking More Controllability by In-Context Generation},
  author={Wu, Shaojin and Huang, Mengqi and Wu, Wenxu and Cheng, Yufeng and Ding, Fei and He, Qian},
  journal={arXiv preprint arXiv:2504.02160},
  year={2025}
}