在今年的火山引擎 FORCE 原动力大会上，字节跳动对图像与视频两大模型线进行了重要升级——图像端推出 Seedream 5.0 Pro，支持交互式精准编辑，可将画面拆解为多图层，直接输出可编辑的分层设计图；视频端则首次亮相 Seedance 2.5，单段原生时长延长至 30 秒，一次可支持 50 个素材联合参考。
从 2024 年到 2025 年，字节跳动在该领域几乎保持每月更新的节奏——但真正的转折点出现在 2025 年 9 月的 Seedream 4.0，那次它首次将“按文字生成图片”与“修改已有图片”两大功能融合进同一个模型。
将多种能力集成于一个模型，听起来像是做加法，实际操作中却往往变成减法。加入局部编辑后，文生图的基础能力便会下滑；再叠加全局改写，局部编辑也随之出错。模型在实际运行时，就像多人争抢方向盘，结果导致方向混乱。
大会落幕次日，字节 Seed 团队联合新加坡国立大学（NUS）等高校，将一篇专门针对这一问题的论文发布到 arXiv，名为 DanceOPD。末位作者为 NUS 资深教授 Tat-Seng Chua，典型工业界主导、学术界背书的模式。论文发布后几天，作者在模型社区 Hugging Face 上亲自下场答疑。
HuggingFace 论文页面截图
简而言之，DanceOPD 旨在解决字节生图模型在持续“增肌”过程中，如何避免新能力拖累原有能力的问题。
这不仅是学术问题，更直接对应了用户的实际行为。在即梦（字节的 AI 创作工具，Seedream 和 Seedance 的主要落地入口）中，用户的操作通常是一连串动作：先一句话生成一张图，再改背景、换风格、扩画幅、局部重绘。理想情况下，这一串操作背后只有一个模型响应；但现实中每多一种编辑，要么后台多挂一个专用模型，要么硬塞进主模型，结果文生图质量被拉低。DanceOPD 给出了第三条路：将一个训练好的“编辑专家”作为冻结教师，通过蒸馏将其能力迁移到主模型，且只更新一小块轻量参数（论文采用 LoRA，一种仅训练少量附加参数的微调方式），不动主模型的基础。
对应到产品逻辑，这就是“增量加能力”。Seedream 从 4.0、4.5 走到 5.0，每次都在主模型上叠加新功能。
传统做法是重训或权重融合，风险在于新能力提升了，但老能力可能崩塌。在论文的实测结果中，weight merge（权重融合）后的模型文生图分数基本保留，但图片编辑能力直接归零——这提醒我们，原有模式确实存在隐患。换成硬路由蒸馏，理论上能增加一项编辑能力而不影响已有能力，迭代成本和翻车概率都更低。
还有两个具体问题：其一，论文将 CFG（无分类器引导，推理时让画面更贴近提示词的常用手段）也作为一个能力场吸收进权重，相当于省掉了那次额外计算——对即梦这种扛海量 C 端请求的产品，每张图省一次计算就是真实的成本降低。其二，Seedream 5.0 主打的精致纹理、SeedEdit 主打的“非编辑区域保持不动”，在 DanceOPD 框架中分别对应“写实场吸收”和“保留型局部编辑场”，都是它明确支持的能力类型。
不过，论文并未详细说明这套机制已进入哪个版本的 Seedream。它目前仍停留在研究产出阶段，距离写入产品还有距离。但它的目标问题、使用的底座（计划支持 SD3.5、Z-Image 这类开源流匹配模型），与字节自家的产品路线是同一方向。
能力之间会互相拖累
要真正理解这篇论文的贡献，先要交代一个背景概念。当前主流生图模型走的是流匹配（flow matching）路线：将“从一团随机噪声变成一张清晰图片”的过程，拆解为无数个微小位移，每一步都有一个箭头，告诉这团数据该朝哪挪、挪多远。将空间里每个位置的箭头汇集起来，就是一个“速度场”。文生图是一个速度场，局部编辑是另一个，全局改写又是一个。
麻烦在于这几个速度场各说各话，互相拉扯。同一个位置，文生图的箭头指东，编辑的箭头指西。最简单的做法是取平均，两个箭头取中间方向——结果哪个目标都到不了，生成的图既不像规整的文生图，也不像干净的编辑，糊在了中间。论文将这种现象命名为：capability identity，即能力的身份缺失。
业界之前尝试过几条路，论文都拿来做了对比。例如将多种能力的数据混在一起重训（joint training），编辑能力会被稀释；将分别训好的模型权重做加权融合（weight merge），文生图保住了，但编辑能力直接塌掉；还有些做法是让学生模型去模仿老师模型、直接复制老师的路径（off-policy 蒸馏），但训练时遇到的局面与部署时遇到的局面往往对不上。现有几条路径的共同点在于，几个能力还是会打架，按下葫芦起了瓢。
DanceOPD 的三招
DanceOPD 采用了一套全新的解法，相当于给模型设置了一套索引机制——问题具体指向了“在哪问、问谁、怎么问”。
方法概览：每个样本硬路由到一个能力场
第一招：硬路由
不再将多个老师模型的结论平均处理——每个训练样本只认一个老师。如果做文生图，就只问文生图那个场；下一步做图片编辑，就只问编辑场。这样一来，能力的身份不会被平均过程模糊掉。
第二招：on-policy（在策略下学习）
教学生的地点选择在学生自己实际会走到的地方，而不是老师走过的或数据里现成的状态上。一个不严谨的类比：教练纠正动作，得根据学员真实的发力姿势来调整，而不是在教练自己的标准姿势上示范，否则学员永远学不会。具体做法是，让当前学生模型先自己跑一遍生成轨迹，在这条轨迹上挑一个点，再把对应的老师请过来，在这个点给出正确的方向箭头。
查询构造：在学生轨迹的低噪声点，向选中的老师场做一次速度对齐
第三招：单点对齐
论文只挑一个点（K=1），而且选在低噪声端——也就是接近成品、图像语义已经比较清晰的那一段。对齐方法是最朴素的 MSE（均方误差）：让学生的方向箭头和老师的方向箭头做一次误差计算，没有奖励模型，没有对抗判别器。消融实验数据很直接：硬路由配合单点 MSE 得到 5.751 分，换成软融合则降到 4.994；查询点从 1 个增加到 16 个，分数反而从 5.751 跌到 5.127。少即是多，在这里是字面意义上的。
三招结合在一起，同一个学生模型在图像编辑评测 GEditBench 上，文生图加编辑的组合得分 5.347，比最强的同类蒸馏基线高出 8.1%；在更复杂的局部编辑加全局编辑组合上得分 5.498，比最强对照高出 16.1%。与此同时，衡量文生图基本功的 GenEval 不降反升。加法这次不再是减法。前面提到的 CFG 在这里也被当成另一个速度场一并吸收进来。
论文定性效果：一个模型支持多种编辑，同时保住原有文生图能力
几十行代码能看出的差别
DanceOPD 的最新代码尚未放出，GitHub 上标注着“等待批准发布”，计划支持 SD3.5、Z-Image 等开源底座。论文使用的 Seedream、SeedEdit 教师模型也不开源。严格来说，这篇论文的完整图像级结果眼下无法在外部复现。
但它的核心机制——硬路由加 on-policy 远好于软融合——不需要大模型也能验证。几十行 Python 代码、一个二维玩具就能跑出来，几秒就能出结果。
构造非常简单：用两个目标分布来模拟两种能力——一个圆环代表“文生图”，四个角的四簇点代表“编辑”，各配一个冻结的老师速度场。然后用三种策略训练同一个小网络，让它同时还原这两个分布。
软融合那组，将两个老师的箭头平均着教。跑完一看，让它生成圆环时，它给出的是四个角的点簇——文生图的能力被编辑带串了味，正好对应论文开篇那句“editing degrades T2I”。换成 DanceOPD 的硬路由加 on-policy，圆环是圆环、四簇是四簇，两个能力都干干净净。量化上，到目标分布的平均偏差从软融合的 0.239 降到了 0.028，降低了约 88%。
原理演示：软融合把两个能力糊成一团，DanceOPD 两个都保住（越接近最左列越好）
对字节这种已经把多能力生图做成产品的玩家来说，这套机制的价值丝毫不抽象。Seedream 4.0 将生图和编辑统一进一个架构，工程上需要压制的“互相拖累”，DanceOPD 在研究层面给出了一个干净的答案。同时也为 AI 生成图片的直接修改提供了高效的技术路径。