字节跳动Intelligent Creation Lab开源了Lance——一个激活参数仅3B的原生统一多模态模型。它把图像和视频的理解、生成、编辑全部塞进了同一个模型里，开源即登Hugging Face Trending第一。

在动辄几十B、上百B参数的多模态模型里，3B的Lance是一股清流。但它不是在某个单项上刷分，而是把"看、画、改"放到同一张考卷上一起考。

核心能力

Lance覆盖6类任务：

视频编辑：连续三轮改视频

Lance不只是改一张关键帧。比如可以连续操作：先把短直发改成法式卷发，再加红白花朵发箍，最后把背景换成湖边童话城堡。关键是人物还是同一个人，动作不乱，前后帧不闪。

图像编辑：听懂自然语言

覆盖背景改变、材质修改、动作改变、人像美化、主体移除、替换和色调迁移。核心要求是听懂自然语言指令，同时保持主体身份和画面一致性。

技术架构

Lance的核心思路是两件事：

1. 统一上下文 把文本、图像、视频都放进同一个交错多模态上下文里。

2. 双流解耦 理解和生成的能力路径拆开，避免互相打架：

• 理解路径：处理文本token和语义视觉token，负责问答和推理
• 生成路径：处理VAE latent token，负责图像/视频生成与编辑

还有一个关键设计叫MaPE（Modality-Aware Rotary Positional Encoding），在时间维度里加入模态/功能组信息，让模型区分哪些token是用来理解的，哪些是生成条件，哪些是生成目标。

评测结果

一个有意思的发现：加入视频生成和编辑能力后，视频理解能力并没有被拖垮，反而多任务数据可能帮助模型学到更强的跨任务迁移。

开源资源

• 论文：https://arxiv.org/abs/2605.18678
• 项目主页：https://lance-project.github.io
• GitHub代码：https://github.com/bytedance/Lance
• HuggingFace模型：https://huggingface.co/bytedance-research/Lance

适合谁用

• 需要轻量级多模态模型的研究者和开发者
• 希望在图像/视频理解、生成、编辑之间做统一方案的项目
• 对部署成本敏感，需要3B级别模型的场景

提示: 3B的参数量意味着可以在消费级GPU上运行，不需要A100或H100级别的硬件。但视频生成和编辑的质量与顶级闭源模型仍有差距，适合作为基线和原型验证。