Cones-V2是一种新型图像合成技术，通过文本编码器微调学习残差嵌入，实现多主体自定义图像生成。每个主体仅需5KB存储空间，并采用布局引导采样方法实现精确排列。基于Stable Diffusion模型，Cones-V2可生成场景、宠物、玩具和人物等多样化高质量图像。