百度开源 ERNIE-Image：8B 参数打造开源文生图新标杆，精准文本渲染与结构化生成能力卓越

百度 ERNIE-Image 团队正式开源了其最新文生图模型 ERNIE-Image。该模型基于单流扩散变换器（DiT）架构，拥有 80 亿（8B）参数，并配备一个轻量级的 3B 提示增强器（Prompt Enhancer）。

• 官方介绍：https://yiyan.baidu.com/blog/posts/ernie-image
• 提示词案例：https://ernieimageprompt.com
• 模型：https://huggingface.co/collections/baidu/ernie-image
• GGUF：https://huggingface.co/unsloth/ERNIE-Image-GGUF
• Demo：https://huggingface.co/spaces/baidu/ERNIE-Image-Turbo
• AI Studio Demo：https://aistudio.baidu.com/ernieimage

尽管参数量相对紧凑，ERNIE-Image 在多项权威基准测试中击败了众多更大规模的开源甚至闭源模型，尤其在复杂指令遵循、多语言文本渲染（中英文）以及结构化图像生成（如海报、漫画分镜）方面表现突出，成为当前开源权重模型中的性能佼佼者。

核心亮点

1. 小参数，大能量：SOTA 级性能

• 高效架构：仅凭 8B DiT 参数，ERNIE-Image 在 GenEval（组合生成）、OneIG（开放域生成）和 LongTextBench（长文本渲染）等基准上均位列前三。
• 开源最强：在所有开源权重模型中，ERNIE-Image 的综合性能排名第一，证明了其极高的参数效率。
• 媲美闭源：在文本对齐和推理能力上，与 Nano Banana 2.0、Seedream 4.5 等领先闭源模型正面竞争且不落下风。

2. 精准的文本渲染能力

• 多语言支持：擅长在图像中生成可读、忠实于原文的中文和英文文本。
• 复杂布局：能够处理密集段落、对布局敏感的标题、标注注释以及动漫对话气泡，解决了传统扩散模型“乱码”或“拼写错误”的痛点。
• LongTextBench 高分：在长文本渲染保真度测试中排名第二（平均分 0.9733），远超多数竞品。

3. 强大的结构化与指令遵循

• 复杂构图：特别擅长生成具有清晰布局的图像，如电影海报、网页设计稿、多图组合及漫画故事板。
• 多对象关系：能准确理解并描绘多个物体之间的空间位置、颜色属性和计数关系（GenEval 总体得分 0.8856，开源第一）。
• 叙事连贯性：在生成序列视觉内容时，能保持角色表情、动作和场景转换的一致性。

4. 丰富的风格与易用性

• 多样美学：支持从干净的图形设计、逼真的摄影到柔和的电影感色调等多种风格。
• 消费级硬件友好：得益于 8B 的紧凑规模，可在 24GB 显存的消费级显卡（如 RTX 3090/4090）上运行，降低了研究和生产部署的门槛。
• 提示增强器（PE）：内置 3B 小模型，可将用户简短的输入自动扩展为结构丰富、细节详细的提示词，显著提升生成质量，尤其适合非专业用户。

基准测试表现

GenEval（组合生成能力）

注：ERNIE-Image 在总体得分上位居榜首，尤其在单对象、颜色和位置关系上表现完美或接近完美。

LongTextBench（文本渲染保真度）

注：在中英文长文本渲染上均保持极高水准，综合得分仅次于顶级闭源模型。

快速开始与推荐配置

为了获得最佳生成效果，建议使用以下参数：

• 分辨率：支持多种比例，推荐 1024x1024, 848x1264 (竖版), 1264x848 (横版) 等。
• 引导尺度 (Guidance Scale)：1.0
• 推理步数 (Steps)：8 （极速生成，兼顾质量）

提示增强器 (Prompt Enhancer) 的作用

• 输入：简短提示，如 “一张赛博朋克风格的海报，标题是未来城市”。
• 输出：结构化详细提示，包含光影描述、字体建议、背景细节等。
• 效果：显著提升复杂任务（如海报、动漫分镜）的指令遵循度和视觉完整性。