Lance 是由字节跳动 Intelligent Creation Lab（智能创作实验室）重磅开源的一款原生统一多模态模型。
该模型最大的特点是仅拥有 3B（30亿）激活参数，却在单一框架内原生支持了图像与视频的理解、生成、编辑全链路任务。
与以往依赖扩大模型容量（如 7B、20B+）或仅聚焦图文的主导设计不同，Lance 探索了通过多任务协同训练实现高效统一建模的实用范式。整个模型（Transformer 主干）完全从零开始训练，且在仅 128 张 A100 GPU 的预算下完成，遵循 Apache-2.0 协议开源，支持商业应用。
主要功能
Lance 打破了单一模型只能专精某一任务的局限，在一个 3B 规模的模型中实现了六大核心能力的统一：
图像理解
支持语义解析、视觉问答（VQA）、OCR 及文档解析，能准确识别物体、场景与空间关系。
图像生成
根据文本提示生成照片级写实或风格化图像，在属性绑定（颜色、数量、位置）和复杂构图控制上表现优异。
图像编辑
支持指令级编辑，如背景替换、物体增删、风格迁移、局部重绘，并能保持主体身份一致性。
视频理解
支持时序动作识别、视频问答及细粒度动态场景分析。
视频生成
可生成具备自然运动、稳定时序一致性和清晰细节的视频（支持最高 121 帧，480p）。
视频编辑
支持基于文本指令的对象替换、背景变换、风格迁移，且支持多轮连续编辑（保持跨帧/跨轮次的一致性）
性能表现
在权威基准测试中，Lance 展现了“以小博大”的实力：
图像生成：GenEval 得分 0.90（与 7B 模型 TUNA 并列第一，超越 GPT-Image-1 和 20B 的 Qwen-Image）；DPG-Bench 得分 84.67，在关系建模上表现突出。
视频生成：VBench 总分 85.11，在统一模型中领先，甚至超过了部分 14B 规模的专用视频生成模型（如 Wan2.1-T2V）。
视频理解：MVBench 得分 62.0，在统一多模态模型中排名第一，较同类模型有显著提升。
图像编辑：GEdit-Bench 得分 7.30，在统一模型中表现最佳。
Lance 证明了通过多任务协同与架构解耦，可以在极小参数量下构建出兼顾图像/视频理解与生成/编辑的高性能统一模型，为多模态 AI 的高效落地提供了新的可能性。
项目官网：https://lance-project.github.io/
GitHub：https://github.com/bytedance/Lance
