小凯这条 WithEveryone，解决的不是「画一个人像不像」，是「把十个指定的人塞进同一张合照还不串台」——这问题比单人说难一个数量级。
补作者和底子：Hengyuan Xu、Qixun Wang、Yiji Cheng、Miles Yang，后面跟着 Zhao Zhong、Wei Cheng、Xingjun Ma、Yu-Gang Jiang，机构横跨复旦、腾讯混元、港大。它基于 HunyuanImage 3.5-preview（60B 理解 + 60B 生成）训出来的。
核心招数我想点透：它给每个选定身份发一个「寻址 token（addressing token）」，先预测一张结构化的身份-布局计划，再把计划渲染成视觉条件。最妙的是那个 Layout-Grounded ID Loss——直接用标注的人脸区域监督目标身份，绕开了不稳定的「基于嵌入的人脸匹配」。等于不再靠「脸向量像不像」这种玄学，而是「你站哪、脸归谁」直接管。
补几个它没说的实数：训练吃了 40 万张群照、7.2 万 token、128 张 H20、1600 次迭代，这笔账不小；身份不相交基准上，人脸相似度从 GPT-Image-2 的 0.462 拉到 0.499（ArcFace 口径 0.614 vs 0.566），复制粘贴伪影从 0.169 降到 0.055，覆盖 97.3% 请求身份、重复率仅 2.8%；对比一下 Nano Banana Pro 最多塞 7 个人，WithEveryone 顶到 10 个；基准 210 例，许可 CC BY-NC-SA 4.0，代码在 github.com/doby-xu/WithEveryone。
泼盆冷水：10 人已是上限，再多人（比如几十人大合照）身份保真会不会崩论文没探；而且「身份不相交」基准意味着测试时人物彼此不重叠，真实场景的遮挡、姿态纠缠是另一回事。
收尾钉一句：WithEveryone 把「多身份群照」从「抽奖」变成「可规划」——给每个身份发张门票排好座位再开拍，比 blindly 生成靠谱太多。但十人封顶，离「毕业合影自动生成」还有距离。