JoyAI-Image：京东开源的统一多模态图像理解与生成模型

场景引入：当AI能"看懂"空间关系

想象一下这样的场景：你有一张客厅的照片，想把茶几从沙发左边挪到右边，同时保持投影的阴影、窗外光线的角度、以及电视柜与茶几的相对位置完全不变。传统AI修图工具会让你反复描述"保持XX不变"，结果往往不尽如人意——影子歪了，或者茶几比例失调。

京东开源的 JoyAI-Image 解决的就是这个问题。它不仅能修图，还能"理解"物体之间的空间关系，让编辑结果在几何上保持一致。这背后是一套统一的多模态基础模型架构，同时支持图像理解、文生图、指令引导的图像编辑三大能力。

背景：从"能画"到"能改"的跨越

JoyAI-Image 由京东开源团队发布（jd-opensource），是一个参数量达 8B 的多模态大语言模型（MLLM）与 16B 多模态扩散Transformer（MMDiT）的统一架构。2026年4月首次发布，5月即被 HuggingFace diffusers 官方仓库合并 PR，标志其接口已成为行业标准。

项目背景有几个关键点值得关注：

京东的业务驱动：京东在电商场景中对商品图编辑、AR试穿、3D重建等有强烈需求，这套系统最初从京东内部孵化。
Spatial Intelligence 的学术热点：2025-2026年，"空间智能"（Spatial Intelligence）成为CV和MLLM领域的核心研究方向，JoyAI-Image 的 spatial editing 能力正好切中这一热点。
开放生态策略：团队同时在 HuggingFace、ModelScope 两平台发布权重，并开源了 SpatialEdit 训练数据集和 OpenSpatial-3M 数据集，推动社区共建。

核心技术：理解与生成的闭环

JoyAI-Image 的核心设计理念是"闭环协作"——更强的空间理解带来更精准的生成和编辑，而生成过程中的视角变换又反过来增强空间推理能力。

架构组成：

8B MLLM（多模态大语言模型）：负责图像理解、指令分解、空间关系推理。底层基于 Transformer，训练数据包含 OpenSpatial-3M（京东开源的空间理解数据集）以及长文本渲染数据集。
16B MMDiT（多模态扩散Transformer）：负责图像生成和编辑。采用 Diffusion Transformer 架构，与 FLUX、Sana 等主流文生图模型同代。推理时支持 FP16/BF16 精度。
Prompt Rewrite 模块：可选接入 GPT-5 等 LLM 对用户指令进行重写，提升复杂编辑指令的遵循度。

三大核心能力：

图像理解（JoyAI-Image-Und）：对图像进行详细描述、空间关系分析、多图对比。调用 inference_und.py，输出纯文本。
指令引导编辑（JoyAI-Image-Edit）：输入原图 + 编辑指令，输出编辑后的图像。支持物体移动（带红框目标区域）、物体旋转（8个标准视角）、相机控制（Yaw/Pitch/Zoom）三种精确空间编辑模式。
文生图（JoyAI-Image T2I）：纯文本到图像生成，目前权重尚未完全公开（To be released）。

技术细节：空间编辑的精确控制

JoyAI-Image 的空间编辑是项目最有技术含量的部分。与传统"涂抹-重绘"式的编辑不同，它通过 MLLM 对场景进行语义解析和空间建模，再由 MMDiT 执行几何一致的变化。

物体移动（Object Move）：编辑指令格式为 Move the <object> into the red box and finally remove the red box. 其中红框标注目标区域。MLLM 解析出被操作物体的掩码及目标位置，MMDiT 执行形变。适合的场景包括：将商品从背景移到特定位置、将家具重新布局等。

物体旋转（Object Rotation）：格式为 Rotate the <object> to show the <view> side view. 支持 front、right、left、rear、front right、front left、rear right、rear left 等8个标准视角。这一能力对 3D 重建和数据增强极有价值——给定单视角图像，可合成其他视角视图。

相机控制（Camera Control）：格式包含 Yaw（水平旋转角度）、Pitch（俯仰角度）、Zoom（in/out/unchanged）三个维度，用于生成新视角图像而不改变场景内容。这对条件帧视频生成（首帧→末帧插帧）和 3D 重建（NeRF/GS）都有重要意义。

使用方式：Diffusers 是最简路径

JoyAI-Image 提供了三种使用方式，从易到难排序：

① Diffusers（推荐，最简单）： 2026年5月，JoyAI-Image 的 JoyImageEditPipeline 已合并入 HuggingFace diffusers 主分支（v0.38+）。安装方式：

pip install torch transformers torchvision
pip install git+https://github.com/huggingface/diffusers.git

调用仅需约20行代码，3行核心逻辑即可完成图像编辑。权重从 HuggingFace 自动下载。

② ComfyUI（适合工作流编排）：官方提供 joyai_image_comfyui/ 节点包，可直接集成到 ComfyUI。包含配置文件和自定义节点，适合需要批量处理或复杂工作流的用户。

③ 本地 CLI（适合开发者）： inference.py 提供完整的命令行推理能力，支持自定义步数、CFG、负向提示词、多卡 FSDP 推理等高级参数。但需要自行准备：

ckpt-root（权重目录，含 text_encoder/ 等子目录）
Python >= 3.10
CUDA GPU（推荐 16GB+ VRAM）
flash-attn >= 2.8.0（需要从源码编译安装）

硬件需求：16GB VRAM 是门槛

JoyAI-Image 对硬件有较高要求：

GPU：必须为 NVIDIA GPU，CUDA 可用。16B 的 MMDiT 模型在 BF16 精度下单张 16GB VRAM 的卡勉强可以运行 1024x1024 输出。8B MLLM 部分额外占用显存。
内存：系统内存推荐 32GB 以上，因模型加载和数据处理会消耗大量 CPU 内存。
存储：权重文件约 30GB（MMDiT 16B + MLLM 8B + text encoder），加上运行环境约 50GB。
CPU：flash-attn 需要 AVX2 支持，且必须从源码编译，对 GCC 版本有要求。

当前不支持：

macOS（MPS 后端不兼容 flash-attn）
纯 CPU 推理（torch==2.8.0 要求 CUDA）
Windows（conda 环境安装 flash-attn 步骤繁琐）

不足与局限

JoyAI-Image 并非完美，在部署和使用中发现以下局限：

权重未完全开源：T2I 基础模型（JoyAI-Image）和 Plus 版本（多图编辑）仍标注为 "To be released"，目前只有 Edit 和 Und 两个模型可用。
部署复杂度高：无 Docker 支持，flash-attn 需要源码编译，权重下载需要 HuggingFace/ModelScope 账号，门槛较高。
推理速度慢：1024x1024 输出在 A100 上约需 30-50 步推理，消费级 GPU 推理时间会更长。
Prompt Rewrite 依赖外部 LLM：若启用 --rewrite-prompt，需要接入 GPT-5 等商业 API，增加成本。

行业意义与展望

JoyAI-Image 的出现代表了2026年多模态模型的一个重要方向：从单一能力（文生图）走向统一架构多能力融合。此前，Stable Diffusion 擅长生成但不懂编辑，GPT-4V 擅长理解但不会生成。JoyAI-Image 通过 MLLM-MMDiT 统一架构，第一次在开源领域将理解和生成做成了真正的闭环。

特别值得关注的是其在"空间智能"方向的努力——OpenSpatial-3M 数据集和 SpatialEdit 评测基准的开源，对整个社区的空间推理研究有基础建设价值。随着权重逐步开源和 diffusers 集成的成熟，预计将吸引更多开发者和研究人员基于此做二次开发。

适用场景推荐：

电商商品图编辑（移动、旋转商品）
3D 重建数据增强（单图→多视角）
条件帧视频生成（首帧→末帧插帧）
需要精确几何控制的图像生成场景

JoyAI-Image：京东开源的统一多模态图像理解与生成模型

场景引入：当AI能"看懂"空间关系

背景：从"能画"到"能改"的跨越

项目背景有几个关键点值得关注：

京东的业务驱动：京东在电商场景中对商品图编辑、AR试穿、3D重建等有强烈需求，这套系统最初从京东内部孵化。
Spatial Intelligence 的学术热点：2025-2026年，"空间智能"（Spatial Intelligence）成为CV和MLLM领域的核心研究方向，JoyAI-Image 的 spatial editing 能力正好切中这一热点。
开放生态策略：团队同时在 HuggingFace、ModelScope 两平台发布权重，并开源了 SpatialEdit 训练数据集和 OpenSpatial-3M 数据集，推动社区共建。

核心技术：理解与生成的闭环

JoyAI-Image 的核心设计理念是"闭环协作"——更强的空间理解带来更精准的生成和编辑，而生成过程中的视角变换又反过来增强空间推理能力。

架构组成：

8B MLLM（多模态大语言模型）：负责图像理解、指令分解、空间关系推理。底层基于 Transformer，训练数据包含 OpenSpatial-3M（京东开源的空间理解数据集）以及长文本渲染数据集。
16B MMDiT（多模态扩散Transformer）：负责图像生成和编辑。采用 Diffusion Transformer 架构，与 FLUX、Sana 等主流文生图模型同代。推理时支持 FP16/BF16 精度。
Prompt Rewrite 模块：可选接入 GPT-5 等 LLM 对用户指令进行重写，提升复杂编辑指令的遵循度。

三大核心能力：

图像理解（JoyAI-Image-Und）：对图像进行详细描述、空间关系分析、多图对比。调用 inference_und.py，输出纯文本。
指令引导编辑（JoyAI-Image-Edit）：输入原图 + 编辑指令，输出编辑后的图像。支持物体移动（带红框目标区域）、物体旋转（8个标准视角）、相机控制（Yaw/Pitch/Zoom）三种精确空间编辑模式。
文生图（JoyAI-Image T2I）：纯文本到图像生成，目前权重尚未完全公开（To be released）。

技术细节：空间编辑的精确控制

使用方式：Diffusers 是最简路径

JoyAI-Image 提供了三种使用方式，从易到难排序：

① Diffusers（推荐，最简单）： 2026年5月，JoyAI-Image 的 JoyImageEditPipeline 已合并入 HuggingFace diffusers 主分支（v0.38+）。安装方式：

pip install torch transformers torchvision
pip install git+https://github.com/huggingface/diffusers.git

调用仅需约20行代码，3行核心逻辑即可完成图像编辑。权重从 HuggingFace 自动下载。

ckpt-root（权重目录，含 text_encoder/ 等子目录）
Python >= 3.10
CUDA GPU（推荐 16GB+ VRAM）
flash-attn >= 2.8.0（需要从源码编译安装）

硬件需求：16GB VRAM 是门槛

JoyAI-Image 对硬件有较高要求：

GPU：必须为 NVIDIA GPU，CUDA 可用。16B 的 MMDiT 模型在 BF16 精度下单张 16GB VRAM 的卡勉强可以运行 1024x1024 输出。8B MLLM 部分额外占用显存。
内存：系统内存推荐 32GB 以上，因模型加载和数据处理会消耗大量 CPU 内存。
存储：权重文件约 30GB（MMDiT 16B + MLLM 8B + text encoder），加上运行环境约 50GB。
CPU：flash-attn 需要 AVX2 支持，且必须从源码编译，对 GCC 版本有要求。

当前不支持：

macOS（MPS 后端不兼容 flash-attn）
纯 CPU 推理（torch==2.8.0 要求 CUDA）
Windows（conda 环境安装 flash-attn 步骤繁琐）

不足与局限

JoyAI-Image 并非完美，在部署和使用中发现以下局限：

权重未完全开源：T2I 基础模型（JoyAI-Image）和 Plus 版本（多图编辑）仍标注为 "To be released"，目前只有 Edit 和 Und 两个模型可用。
部署复杂度高：无 Docker 支持，flash-attn 需要源码编译，权重下载需要 HuggingFace/ModelScope 账号，门槛较高。
推理速度慢：1024x1024 输出在 A100 上约需 30-50 步推理，消费级 GPU 推理时间会更长。
Prompt Rewrite 依赖外部 LLM：若启用 --rewrite-prompt，需要接入 GPT-5 等商业 API，增加成本。

行业意义与展望

适用场景推荐：

电商商品图编辑（移动、旋转商品）
3D 重建数据增强（单图→多视角）
条件帧视频生成（首帧→末帧插帧）
需要精确几何控制的图像生成场景