智东西
智东西4月15日报谈，本日，百度文心大模子团队负责开源文生图模子ERNIE-Image，其参数领域仅8B，可在显存24GB的消耗级GPU上运转。该模子在GenEval、OneIG等多项海外基准上抽象得分位居开源模子第一，尤其在笔墨渲染才气上，与Nano Banana等贸易闭源模子同处第一梯队。
同步开源的还有ERNIE-Image-Turbo版块，其推理步数从法式版的50步压缩至8步。
两款模子的权重与推理代码已一起上传至Hugging Face，驯服Apache 2.0公约，ComfyUI使命流模板也已同步上线，开源量化有打算由模子加速器具链Unsloth配合提供GGUF次序复古。
ERNIE-Image采选单流DiT架构，并内置指示词增强（Prompt Enhancer）模块，可将节略输入自动膨大为结构化描绘再进行生成，耕作指示剖判与细节罢休才气。
▲百度ERNIE-Image开源代码仓库页面，并已获取78颗星（图源：GitHub）
智东西用六组指示词对该模子Turbo版块进行了实测，从骨子体验来看，ERNIE-Image-Turbo在处理复杂画面时阐扬牢固，比如多物体按照指示词要求摆放、图表生成、光影后果这些的任务基本都能作念到位，但触及复短文字、多讲话内首肯东谈主物关联这种更细密的要求，就容易出现写错字或剖判偏差的问题。
时刻Blog：https://ernie.baidu.com/blog/zh/posts/ernie-image/
体验平台：https://aistudio.baidu.com/ernieimage
Hugging Face：
https://huggingface.co/baidu/ERNIE-Imagehttps://huggingface.co/baidu/ERNIE-Image-Turbo一、六组高难Prompt实测，多主体与图表生成阐扬讲究咱们用六组指示词对ERNIE-Image-Turbo作念了测试，遮掩高密度多讲话笔墨渲染、多讲话混排、漫画分镜叙事、数据图表生成、多主体空间罢休和光影东谈主像六个维度。六组一起单次生成，未经重试筛选，通盘图均为原图直出。
举座感受是，该模子多主体空间关联罢休、数据图表生成和光影细节收复这几项才气阐扬可以，但遇到高复杂度笔墨渲染，踩坑比预期要明白。
1、疏远汉字渲染，“鬱”字没能过关
第一组念念看的是，这个模子能不可在图像里准确写出笔画复杂的疏远字，尤其是形近字。
该模子在宣纸水墨布景、楷躯壳调与红色 “文心” 图章这些视觉氛围营造上均收复到位。
但在笔墨精准生成上存在明白不实，咱们指定的第一转是“鬱鬱蔥蔥”（yù yù cōng cōng），生成出来酿成了“糲糲萬蕙”，整个不是归并个字。第三行的疏远字“赢麟龑靐”（yíng lín yǎn bìng），生成结果是“赢麟頃䫧”，“龑”和“靐”这两个高复杂度字平直被换掉了。三行里唯有第二行“薛蟠贾雨村”字形结构莫得问题。
2、中英日韩四语混排，英文丢了个字母
中英日韩四语混排测试里，举座呈现和指示词要求基本对得上，版式、格调没什么大问题。但仔细看会发现，第二行的“Knowledge”明白少写了一个字母“e”，第四行的韩文也和指定的“지식에는 경계가 없다”有进出。
咱们随后加大了难度，要求该模子把四种讲话以极小字号清醒呈现、笔画无锯齿、严格网格对皆。结果图里出现了乱码、字符变形和内容转换，多处笔墨平直无法识别，指定的时刻参数和评测数据莫得一个齐备收复出来。
3、漫画分镜实测，脚色搞反了
这一组测试同期考三件事：多面板布局、脚色跨格一致性、气泡里的笔墨渲染。
生成图片的布局和格调阐扬可以，两行三列的均瓜分镜结构齐备，格间分隔清醒，脚色外不雅在六格之间保捏了一致性。但剧情出了岔子，第二格设定的是学生举手发问，气泡内容是“陶冶，这是什么兴趣？”，生成出来酿成了陶冶举手，气泡也随着配在了陶冶身上，互动主体整个反了。该模子在语义上出了剖判偏差。
4、生成数据图表，细节基本准确到位
这一组测的是能不可该模子按指示生成结构严谨的表格和可视化图，数字和标签准不准。
这组阐扬比预期好。表头“模子称呼”“参数目”“GenEval得分”清醒无误，填入的模子称呼、8B参数目，以及0.8856、0.8667等具体得分都莫得遗漏或改错。右栏条形图的配色限定也严格践诺了，橙色高亮ERNIE-Image (w/o PE)，蓝色呈现其余模子，Y轴的0.75到0.95区间准确，条形顶部数值标注和表格统融合致。唯独的小谬误是X轴第二个模子称呼漏掉了“Turbo”。
5、七件物品测多主体空间罢休，位置关联对得很准
这组测试要求该模子严格罢休七个物品的位置、尺寸、装潢关联，在一张写实俯拍桌面照里把它们放对地点。
这是六组里最让东谈主舒心的一组，七个指定物品一起按要求出现，且中枢位置关联莫得乱：打开的精装书在画面正中，左页手写批注“此处存疑”、右页英文印刷句都清醒可读；玄色细框眼镜压在册本左上角；白色陶瓷咖啡杯在册本右侧，心形拉花形态当然；一元东谈主民币硬币在咖啡杯右侧；黄色便利贴贴于册本正下方，手写“deadline:4月20日”内容准确；钢笔放在桌面左下角，笔尖朝向册本，全程无东谈主物入镜。空间逻辑自洽，莫得出现物品叠错或位置串行的情况。
6、伦勃朗布光，光影践诺到位
临了一组念念测的是，在给出高度具体的光影、材质和色调指示后，该模子会不会自行简化内容。
结果是，该模子严格践诺了指示：画面采选伦勃朗布光，主光来自左上方45度角，右侧面颊的三角形光斑清醒可辨，轮廓规整；右侧整个无补光，仅靠少许环境反光勾出轮廓；布景纯黑，无纹理；肤质写实，毛孔可见，无磨皮思绪；深色高领毛衣领口处的编织纹理也收复出来了。
百度在三个海外公开基准上对ERNIE-Image进行了系统评测，分袂是臆度通用图像生成才气的GenEval、遮掩中英文双语场景的OneIG，以及特意测试高密度笔墨渲染的LongText-Bench。
在臆度通用图像生成才气的GenEval测试中，ERNIE-Image（不启用PE）抽象得分为0.8856，在通盘参测模子中排行第一，越过Qwen-Image（0.8683）和FLUX.2-klein-9B（0.8481）。
▲GenEval专科文生图模子评测基准（图源：百度ERNIE-Image时刻叙述）
OneIG英文榜上，ERNIE-Image开启PE后抽象得分0.5750，仅次于Nano Banana 2.0（0.5780）和Seedream 4.5（0.5760），位列第三，同期在推理维度单项排行第一（0.3566）。
▲OneIG-EN，评估文生图模子在英文指示词场景下抽象生成才气的量化评测体系（图源：百度ERNIE-Image时刻叙述）
汉文榜上，ERNIE-Image开启PE的抽象得分为0.5543，雷同位列前两名仅次于Nano Banana 2.0，还在万般性维度上跑出了0.2478的最高分。
▲OneIG-ZW，评估文生图模子在汉文指示词场景下抽象生成才气的量化评测体系（图源：百度ERNIE-Image时刻叙述）
笔墨渲染专项LongText-Bench是最能体现ERNIE-Image互异化才气的榜单。英文维度上，ERNIE-Image开启PE得分0.9804，汉文维度0.9661，抽象等分0.9733，在通盘开源模子中排行第一。对比来看，Nano Banana 2.0抽象等分0.9650，Qwen-Image为0.9445，Z-Image为0.9355。
▲LongText-Bench，专科文生图长文本评测基准（图源：百度ERNIE-Image时刻叙述）
三、架构轻量、部署门槛低，8B参数跑进商用模子射程ERNIE-Image的中枢架构是单流Diffusion Transformer（DiT），并内置一个轻量级指示词增强器Prompt Enhancer（PE）模块，负责将用户的节略笔墨输入自动膨大为更丰富、结构化的选藏描绘，再送入DiT骨干生成图像。
该模子的参数领域仅8B，这在开源文生图领域属于中小体量，但百度称在参数效劳优化上作念了大量使命，使运转门槛降至24GB显存的消耗级GPU，显贵低于此前同精度水平模子的部署要求。对照部分大参数开源模子的运转需求，ERNIE-Image这一想象的真义在于，个东谈主创作家和中小团队无需购置专科使命站即可土产货部署。
两个模子版块在调用形态上有所区别：法式版ERNIE-Image推理步数为50步，CFG（分类器目田指引）值为4.0；Turbo版由DMD和强化学习迎阿优化，推理步数降至8步，CFG降至1.0，殉国少许精度相易速率耕作。
在工程部署上，百度同期提供了两种集成有打算。第一种是通过Hugging Face的diffusers库平直调用，只需几行Python代码即可完成推理；第二种是通过推理框架SGLang部署管事端，并复古将PE模块单独剥离，用vLLM单独运转以加速指示词膨大速率，DiT骨干涉PE各占孤独端口，允洽对蔓延明锐的线上场景。此外，AI-Toolkit已复古对ERNIE-Image进行微调检会，为有个性化需求的建树者提供了齐备的检会-推理链路。
结语：文生图再进阶，从“能出图”走向“可控生成”淌若把文生图模子的发展阻隔看，夙昔一段时间的高出主要鸠集在“画得更像”，但在复杂结构罢休、限定践诺和文本抒发上一直不牢固。
这次ERNIE-Image的实测结果深切押大小赌钱软件，多主体位置关联、图表结构、分镜布局和光影要求这类“强敛迹任务”仍是可以较牢固完成。将来，谁能先惩办文本与语义一致性问题，谁才更有可能果然参预想象、内容坐蓐等高要求场景。