智象未来发布HiDream-O1-Image：8B 参数原生统一生图模型，无需 VAE 与独立文本编码器

在文生图领域，传统模型往往依赖复杂的流水线：独立的文本编码器（如 CLIP/T5）、潜空间压缩器（VAE）以及扩散主干网络。北京智象未来发布了 HiDream-O1-Image，一款革命性的原生统一图像生成基础模型。它构建于像素级统一 Transformer 之上，彻底摒弃了外部 VAE 和独立文本编码器，在单个共享 Token 空间中原生编码原始像素、文本及任务条件。

• GitHub：https://github.com/HiDream-ai/HiDream-O1-Image
• HiDream-O1-Image-Dev：https://huggingface.co/HiDream-ai/HiDream-O1-Image-Dev
• HiDream-O1-Image：https://huggingface.co/HiDream-ai/HiDream-O1-Image
• Demo：https://huggingface.co/spaces/HiDream-ai/HiDream-O1-Image

尽管仅拥有 8B 参数，HiDream-O1-Image 在多项权威基准测试中不仅持平，更在关键指标上超越了参数量大数倍的 FLUX.2、Qwen-Image 甚至闭源的 GPT Image 系列，展现了极高的效率与多功能性。

核心亮点：极简架构，极致性能

1. 原生像素级统一 Transformer

• 端到端建模：无需 VAE 进行潜空间压缩，无需独立文本编码器处理提示词。所有输入（文本、像素、条件）均在同一 Transformer 架构中处理。
• 简化管线：大幅降低系统复杂度，减少模块间的信息损耗与对齐误差，提升训练与推理效率。

2. 推理驱动的提示代理 (Prompt Agent)

• 深度理解：内置基于 Gemma-4-31B-it 的“思考”代理，在生成前显式推理布局、主体属性、物理逻辑及文本渲染细节。
• 提示重写：将用户简短或模糊的指令重写为结构清晰、自包含的英文提示词，显著提升复杂场景下的出图质量。
• 输出结构化：生成包含 prompt、reasoning 和 resolved_knowledge 的 JSON，让生成过程可解释、可控。

3. 原生高分辨率与多任务集成

• 2048×2048 直出：支持直接合成高达 2048×2048 分辨率的图像，保留清晰的细粒度细节，无需后期超分。
• 全能任务：单一模型支持文生图、长文本渲染、指令编辑、主体驱动个性化生成及故事板生成，无需切换模型。

4. 8B 参数的高效奇迹

• 轻量高效：仅 8B 参数，推理资源需求远低于 FLUX.2 (56B+) 或 Qwen-Image (27B+)，更适合本地部署与快速迭代。
• 性能越级：在组合生成、密集提示对齐、人类偏好等维度，表现优于众多数十亿甚至百亿参数模型。

基准测试：全面领先的主流模型杀手

HiDream-O1-Image 在五大权威评测套件中与 SOTA 模型进行了激烈角逐，结果令人瞩目：

1. GenEval — 组合生成能力

解读：在对象计数、位置关系、属性绑定等复杂组合任务中，8B 的 HiDream-O1-Image 击败了参数量大 7 倍的 FLUX.2。

2. DPG-Bench — 密集提示对齐

解读：面对包含大量实体、属性和关系的复杂长提示，HiDream-O1-Image 展现出极强的指令遵循能力。

3. CVTG-2K — 复杂视觉文本生成

解读：在图像中生成准确、可读的多区域文字方面，HiDream-O1-Image 表现卓越，NED 得分高达 0.9561。

4. LongText-Bench — 长文本渲染

解读：无论是英文还是中文长文本渲染，HiDream-O1-Image 均取得最高分，证明了其原生统一架构在处理多语言文本嵌入上的巨大优势。

5. HPSv3 — 人类偏好评分

解读：在涵盖人物、艺术、设计、自然等 12 个类别的人类偏好评估中，HiDream-O1-Image 获得了最高平均分，审美水平备受认可。

🛠️ 快速开始

1. 模型获取

HiDream-O1-Image 已在 HuggingFace 开放权重：

• HiDream-O1-Image: 🤗 HiDream-O1-Image (50 步推理，标准版)
• HiDream-O1-Image-Dev: 🤗 HiDream-O1-Image-Dev (28 步推理，加速版)
• Prompt Agent: 基于 google/gemma-4-31B-it

2. 本地推理

git clone https://github.com/HiDream-AI/HiDream-O1-Image.git
cd HiDream-O1-Image

# 安装依赖
pip install -r requirements.txt

# 运行文生图
python inference.py --prompt "A cyberpunk city at night, neon lights, rain" --steps 50

# 使用 Prompt Agent 优化复杂提示
python prompt_agent.py --prompt "Draw a cat wearing a hat, sitting on a mat, with a ball nearby" --backend gemma

3. Web Demo

python app.py
# 访问 http://127.0.0.1:7860

💡 适用场景

• 高精度图文设计：海报、Logo、名片等需要精准文字渲染的场景。
• 复杂指令创作：包含多个主体、复杂空间关系和属性描述的详细画面生成。
• 本地化部署：8B 参数量使得在消费级高端显卡（如 RTX 4090）上进行本地推理成为可能。
• 个性化角色生成：通过主体驱动功能，保持角色一致性进行多场景创作。
• 故事板制作：利用交错生成能力，快速构建连环画或分镜脚本。