這項(xiàng)由騰訊混元基礎(chǔ)模型團(tuán)隊(duì)完成的突破性研究發(fā)表于2025年9月，論文編號(hào)為arXiv:2509.23951v1。團(tuán)隊(duì)開(kāi)發(fā)出了名為HunyuanImage 3.0的原生多模態(tài)模型，這是目前世界上最大、最強(qiáng)的開(kāi)源圖像生成模型。有興趣深入了解技術(shù)細(xì)節(jié)的讀者可以通過(guò)該論文編號(hào)查詢完整研究?jī)?nèi)容。

想象一下，如果有一個(gè)超級(jí)智能助手，它不僅能像人類一樣理解你說(shuō)的話和看到的圖片，還能根據(jù)你的描述創(chuàng)造出逼真的圖像。這聽(tīng)起來(lái)像科幻小說(shuō)中的情節(jié)，但騰訊混元團(tuán)隊(duì)剛剛把這個(gè)夢(mèng)想變成了現(xiàn)實(shí)。他們開(kāi)發(fā)的HunyuanImage 3.0就是這樣一個(gè)神奇的AI系統(tǒng)，它打破了傳統(tǒng)AI模型"要么只能看懂圖片，要么只能生成圖片"的局限性，成為了第一個(gè)真正意義上的"全能型"圖像AI。

這個(gè)模型的厲害之處在于它采用了一種全新的設(shè)計(jì)理念。傳統(tǒng)的AI就像專門的工匠，有的只會(huì)看畫，有的只會(huì)畫畫，而HunyuanImage 3.0更像是一個(gè)多才多藝的藝術(shù)家，既能欣賞藝術(shù)作品，又能創(chuàng)作出精美的畫作。它基于一個(gè)擁有超過(guò)800億參數(shù)的龐大語(yǔ)言模型，但在處理每個(gè)任務(wù)時(shí)只激活其中的130億參數(shù)，這種設(shè)計(jì)既保證了強(qiáng)大的能力，又確保了高效的運(yùn)行速度。

更令人驚喜的是，這個(gè)模型還具備了"思考"的能力。就像人類畫家在動(dòng)筆之前會(huì)先在腦海中構(gòu)思畫面一樣，HunyuanImage 3.0也會(huì)先進(jìn)行一番"思考推理"，然后再生成圖像。這種被稱為"思維鏈"的處理方式，讓生成的圖像更加精準(zhǔn)地符合用戶的要求。

研究團(tuán)隊(duì)不僅取得了技術(shù)突破，更重要的是他們選擇將這個(gè)強(qiáng)大的模型完全開(kāi)源，這意味著全世界的研究者和開(kāi)發(fā)者都可以免費(fèi)使用和改進(jìn)這項(xiàng)技術(shù)。這種開(kāi)放的態(tài)度為AI圖像生成領(lǐng)域的發(fā)展注入了強(qiáng)大動(dòng)力，有望推動(dòng)整個(gè)行業(yè)進(jìn)入一個(gè)全新的發(fā)展階段。

一、數(shù)據(jù)準(zhǔn)備：從海量圖片中淘寶貝

在訓(xùn)練這樣一個(gè)強(qiáng)大的AI模型之前，研究團(tuán)隊(duì)面臨的第一個(gè)挑戰(zhàn)就像是在一座巨大的圖書館中挑選最優(yōu)質(zhì)的書籍。他們需要從超過(guò)100億張?jiān)紙D片中篩選出真正有價(jià)值的訓(xùn)練素材，這個(gè)過(guò)程就像是經(jīng)驗(yàn)豐富的圖書管理員在為讀者精心策劃一個(gè)完美的書籍收藏。

整個(gè)篩選過(guò)程分為三個(gè)階段，每一階段都有其獨(dú)特的"品控標(biāo)準(zhǔn)"。第一階段主要解決技術(shù)層面的問(wèn)題，就像檢查書籍是否有破損、缺頁(yè)或字跡模糊。研究團(tuán)隊(duì)會(huì)剔除那些分辨率太低、文件損壞、曝光過(guò)度或顏色過(guò)飽和的圖片，同時(shí)還會(huì)根據(jù)圖片的MD5值去除重復(fù)內(nèi)容，確保數(shù)據(jù)集的多樣性。

第二階段是整個(gè)篩選過(guò)程的核心，團(tuán)隊(duì)采用了兩套評(píng)判標(biāo)準(zhǔn)：客觀過(guò)濾器和主觀評(píng)分系統(tǒng)?？陀^過(guò)濾器就像是火眼金睛的質(zhì)檢員，專門識(shí)別和移除帶有水印、商標(biāo)、大量文字、拼貼畫、明顯邊框的圖片，以及那些由AI生成的假圖片。這里特別值得一提的是，隨著AI生成圖片在網(wǎng)絡(luò)上越來(lái)越多，如何識(shí)別和排除這些"假圖片"成為了一個(gè)重要挑戰(zhàn)。研究團(tuán)隊(duì)開(kāi)發(fā)了專門的檢測(cè)模型，并且會(huì)直接移除那些AI生成內(nèi)容占比較高的數(shù)據(jù)源。

主觀評(píng)分系統(tǒng)則更像是藝術(shù)評(píng)論家的工作，主要關(guān)注圖片的清晰度和美學(xué)價(jià)值。清晰度評(píng)分會(huì)考慮圖片的銳度、噪點(diǎn)水平和動(dòng)態(tài)范圍。為了確保美學(xué)評(píng)分的一致性和可解釋性，團(tuán)隊(duì)的藝術(shù)專家們精心設(shè)計(jì)了一套評(píng)判標(biāo)準(zhǔn)，主要從色彩、光影、構(gòu)圖這三個(gè)基本要素來(lái)評(píng)價(jià)圖片的美學(xué)價(jià)值?；谶@套標(biāo)準(zhǔn)，他們訓(xùn)練了自己的美學(xué)評(píng)價(jià)模型，并針對(duì)不同類型的圖片設(shè)置了不同的篩選閾值。

第三階段則是最后的"去重"工作，團(tuán)隊(duì)基于圖片的特征向量進(jìn)行聚類分析，進(jìn)一步移除了約0.5%的重復(fù)內(nèi)容，讓數(shù)據(jù)集更加緊湊高效。為了增強(qiáng)訓(xùn)練數(shù)據(jù)的語(yǔ)義廣度，他們還特意補(bǔ)充了一些專業(yè)數(shù)據(jù)集，包括知識(shí)增強(qiáng)型、文字相關(guān)、風(fēng)格化和平面設(shè)計(jì)類的圖片集合。

經(jīng)過(guò)這樣嚴(yán)格的三階段篩選，原始的100億張圖片最終保留了不到45%，形成了一個(gè)包含近50億張高質(zhì)量圖片的訓(xùn)練數(shù)據(jù)集。這個(gè)比例看似很低，但正是這種嚴(yán)格的質(zhì)量控制，為后續(xù)模型的優(yōu)異性能奠定了堅(jiān)實(shí)基礎(chǔ)。

除了單張圖片，團(tuán)隊(duì)還構(gòu)建了一個(gè)包含超過(guò)1億對(duì)圖片的專門數(shù)據(jù)集，用于學(xué)習(xí)圖片之間的關(guān)聯(lián)關(guān)系。這些圖片對(duì)主要通過(guò)兩種方式獲得：圖片聚類和視頻片段挖掘。圖片聚類方法是從20多億個(gè)圖片聚類中選擇具有潛在相似性的圖片對(duì)，然后通過(guò)專門的關(guān)系判別模型篩選出真正有關(guān)聯(lián)的圖片對(duì)。為了避免過(guò)于復(fù)雜的圖片影響學(xué)習(xí)效果，他們還使用了圖片復(fù)雜度模型來(lái)過(guò)濾掉元素過(guò)于繁雜的圖片。

視頻數(shù)據(jù)挖掘則采用了更加精細(xì)的處理流程。首先通過(guò)鏡頭邊界檢測(cè)來(lái)分離視頻片段，然后使用攝像機(jī)運(yùn)動(dòng)分類器排除那些攝像機(jī)移動(dòng)過(guò)于劇烈的片段。接下來(lái)，團(tuán)隊(duì)結(jié)合目標(biāo)檢測(cè)和語(yǔ)義分割的結(jié)果來(lái)篩選出展現(xiàn)典型變換關(guān)系的關(guān)鍵幀。最后，為了避免運(yùn)動(dòng)模糊對(duì)模型訓(xùn)練的不良影響，他們還專門使用了運(yùn)動(dòng)模糊檢測(cè)器對(duì)選定的幀進(jìn)行最后一輪篩選。

二、圖片描述生成：讓AI學(xué)會(huì)"看圖說(shuō)話"

為了讓AI真正理解圖片內(nèi)容并生成準(zhǔn)確的描述，研究團(tuán)隊(duì)開(kāi)發(fā)了一套極其精密的圖片描述生成系統(tǒng)，這個(gè)系統(tǒng)就像是培養(yǎng)一個(gè)既有深厚文學(xué)功底又有敏銳觀察力的藝術(shù)評(píng)論家。整個(gè)系統(tǒng)建立在三個(gè)核心組件之上：分層次的描述架構(gòu)、組合式的數(shù)據(jù)增強(qiáng)策略，以及專門的事實(shí)核查機(jī)制。

分層次的描述架構(gòu)采用了雙語(yǔ)（中英文）設(shè)計(jì)，將圖片內(nèi)容分解為多個(gè)明確定義的語(yǔ)義字段。這種設(shè)計(jì)就像是為一幅畫作撰寫不同層次的解說(shuō)詞。描述層次從簡(jiǎn)短到超長(zhǎng)分為四個(gè)等級(jí)，從簡(jiǎn)潔的概括到詳盡的描述，涵蓋前景和背景的所有元素。風(fēng)格屬性字段專門用于捕捉圖片的藝術(shù)風(fēng)格、電影攝影類型、光照條件、整體氛圍和構(gòu)圖特點(diǎn)。最特別的是，系統(tǒng)還包含一個(gè)專門的事實(shí)實(shí)體字段，用于識(shí)別圖片中的具體人物、地標(biāo)、品牌和藝術(shù)作品等真實(shí)世界的實(shí)體。

這種分層架構(gòu)不僅能夠?qū)崿F(xiàn)對(duì)生成過(guò)程的精細(xì)控制，更重要的是為后續(xù)的數(shù)據(jù)合成引擎提供了結(jié)構(gòu)化基礎(chǔ)。通過(guò)這種設(shè)計(jì)，AI可以根據(jù)不同的需求生成不同詳細(xì)程度的圖片描述，就像一個(gè)專業(yè)導(dǎo)游可以為不同的游客提供從簡(jiǎn)單介紹到深度解析的多種講解服務(wù)。

組合式描述合成策略是這個(gè)系統(tǒng)的一大創(chuàng)新，它通過(guò)動(dòng)態(tài)數(shù)據(jù)增強(qiáng)來(lái)提高模型的泛化能力并減少過(guò)擬合。在訓(xùn)練過(guò)程中，系統(tǒng)會(huì)策略性地采樣和組合不同的字段，生成長(zhǎng)度和模式都有變化的描述文本，支持中英雙語(yǔ)輸出，字?jǐn)?shù)范圍從約30個(gè)詞到1000個(gè)詞不等。這種方法就像是讓一個(gè)作家用不同的寫作風(fēng)格和詳細(xì)程度來(lái)描述同一個(gè)場(chǎng)景，從而提高AI對(duì)各種描述需求的適應(yīng)能力。

為了克服標(biāo)準(zhǔn)視覺(jué)語(yǔ)言模型在識(shí)別圖片中密集文字和需要世界知識(shí)的實(shí)體方面的局限性，團(tuán)隊(duì)集成了兩個(gè)專門的智能代理來(lái)確保描述的事實(shí)準(zhǔn)確性。OCR代理負(fù)責(zé)提取圖片中的文字內(nèi)容，而命名實(shí)體代理則識(shí)別真實(shí)世界的實(shí)體。這些外部知識(shí)作為輔助輸入提供給描述生成模型，就像是為作家配備了專門的研究助手。

更重要的是，系統(tǒng)建立了一個(gè)雙向驗(yàn)證循環(huán)，會(huì)交叉檢查智能代理檢測(cè)到的實(shí)體與生成描述中的實(shí)體是否一致。只有成功通過(guò)這種雙向驗(yàn)證的樣本才會(huì)被納入最終的訓(xùn)練數(shù)據(jù)集。這種嚴(yán)格的質(zhì)量控制確保了訓(xùn)練數(shù)據(jù)的高可靠性，避免了錯(cuò)誤信息對(duì)模型訓(xùn)練的干擾。

針對(duì)成對(duì)圖片數(shù)據(jù)，團(tuán)隊(duì)還開(kāi)發(fā)了專門的圖片差異描述生成器。這個(gè)模型接受一對(duì)圖片、它們各自的描述以及對(duì)應(yīng)的雙幀視頻作為輸入，生成詳細(xì)描述前景和背景變化的文字說(shuō)明，用于模擬用戶輸入的編輯指令。這種設(shè)計(jì)使得AI不僅能理解靜態(tài)圖片，還能理解圖片之間的變化關(guān)系，為后續(xù)的圖片編輯功能提供了重要支撐。

三、推理數(shù)據(jù)集構(gòu)建：教會(huì)AI"深思熟慮"

研究團(tuán)隊(duì)發(fā)現(xiàn)，他們開(kāi)發(fā)的多模態(tài)架構(gòu)本身就具備強(qiáng)大的推理和語(yǔ)義理解能力，關(guān)鍵是如何激發(fā)出這種潛在能力。為此，他們專門構(gòu)建了一套推理數(shù)據(jù)集，就像是為一個(gè)聰明的學(xué)生設(shè)計(jì)專門的思維訓(xùn)練課程，讓AI學(xué)會(huì)在生成圖片之前進(jìn)行深入的思考和分析。

這套推理訓(xùn)練體系的核心理念是讓AI模擬人類創(chuàng)作者的思維過(guò)程。當(dāng)人類藝術(shù)家接到一個(gè)創(chuàng)作任務(wù)時(shí)，通常不會(huì)立即動(dòng)筆，而是會(huì)先理解需求、分析要點(diǎn)、構(gòu)思方案，然后才開(kāi)始創(chuàng)作。研究團(tuán)隊(duì)希望AI也能掌握這種"三思而后行"的創(chuàng)作方式，通過(guò)一個(gè)完整的思維鏈條：從理解初始提示，到進(jìn)行中間的"思考"階段進(jìn)行概念細(xì)化和重寫，最終合成目標(biāo)圖像。

為了有效激發(fā)這種潛在能力，團(tuán)隊(duì)構(gòu)建了兩種特定類型的訓(xùn)練數(shù)據(jù)。第一種是文本到文本的推理數(shù)據(jù)，主要用于增強(qiáng)模型的指令跟隨能力和邏輯推理能力。這類數(shù)據(jù)涵蓋了真實(shí)世界圖像生成提示的多樣化語(yǔ)料庫(kù)，包括照片級(jí)渲染、藝術(shù)和風(fēng)格渲染、用戶界面和海報(bào)設(shè)計(jì)任務(wù)、知識(shí)驅(qū)動(dòng)查詢，以及科學(xué)或技術(shù)可視化等多個(gè)領(lǐng)域。通過(guò)覆蓋如此廣泛的用戶意圖、領(lǐng)域和復(fù)雜程度，使用這類數(shù)據(jù)訓(xùn)練的模型能夠解析復(fù)雜的需求、解決歧義，并產(chǎn)生連貫的、逐步的文本推理，將指令準(zhǔn)確映射為精確的圖像描述。

第二種是文本到文本和圖像的推理數(shù)據(jù)，用于改善端到端的文本推理和視覺(jué)保真度。團(tuán)隊(duì)從預(yù)訓(xùn)練數(shù)據(jù)集中使用美學(xué)指標(biāo)篩選出高質(zhì)量、類別平衡的圖像數(shù)據(jù)集，并將其與原始的短描述和長(zhǎng)描述配對(duì)。他們還編制了來(lái)自維基百科的信息圖表集合。對(duì)于每張圖片，團(tuán)隊(duì)都會(huì)標(biāo)注相應(yīng)的推理軌跡，這些軌跡能夠細(xì)化目標(biāo)并將用戶意圖轉(zhuǎn)化為詳細(xì)的視覺(jué)規(guī)范。這些圖片連同它們的描述和推理軌跡一起用于提高模型的思維鏈圖像生成能力。

這種推理訓(xùn)練的效果就像是讓AI獲得了"藝術(shù)直覺(jué)"。在實(shí)際使用時(shí)，AI會(huì)首先分析用戶的需求，思考如何最好地表達(dá)這個(gè)需求，考慮各種可能的視覺(jué)元素和組合方式，然后才開(kāi)始生成圖像。這種"深思熟慮"的過(guò)程顯著提高了生成圖像與用戶需求的匹配度，同時(shí)也讓AI能夠處理更加復(fù)雜和模糊的用戶指令。

四、模型設(shè)計(jì)：打造AI界的"全能藝術(shù)家"

HunyuanImage 3.0的模型設(shè)計(jì)采用了一種革命性的混合建模策略，就像是設(shè)計(jì)一個(gè)既能閱讀文字又能創(chuàng)作繪畫的全能藝術(shù)家。這個(gè)設(shè)計(jì)的核心思想是將文本和圖像這兩種截然不同的信息形式統(tǒng)一在一個(gè)框架內(nèi)處理，而不是像傳統(tǒng)方法那樣分別處理。

模型的基礎(chǔ)架構(gòu)建立在Hunyuan-A13B這個(gè)強(qiáng)大的語(yǔ)言模型之上，這是一個(gè)擁有超過(guò)800億參數(shù)的解碼器型大語(yǔ)言模型。它采用了專家混合架構(gòu)，包含64個(gè)專家模塊，每次處理時(shí)激活其中8個(gè)專家，再加上一個(gè)共享的多層感知器。這種設(shè)計(jì)就像是一個(gè)擁有眾多專業(yè)技能的工作室，每次任務(wù)時(shí)會(huì)調(diào)用最適合的專家團(tuán)隊(duì)，這樣既保證了處理能力的強(qiáng)大，又確保了計(jì)算效率的優(yōu)化，在推理時(shí)實(shí)際激活約130億參數(shù)。

在處理文本輸入方面，模型使用了Hunyuan分詞器，并擴(kuò)展了詞匯表，加入了專門支持圖像生成和理解任務(wù)的特殊標(biāo)記。這些特殊標(biāo)記就像是藝術(shù)家工具箱中的專用工具，讓模型能夠精確地表達(dá)各種圖像相關(guān)的概念和操作。

圖像編碼采用了雙編碼器策略，這是該模型的一個(gè)重要?jiǎng)?chuàng)新。在圖像生成路徑中，模型使用內(nèi)部開(kāi)發(fā)的VAE將原始像素值投影到32維潛在空間，下采樣因子為16倍。與以往采用8倍下采樣VAE加額外分塊層的方法不同，這種單一VAE加16倍下采樣的設(shè)計(jì)更加簡(jiǎn)潔高效，并且能夠產(chǎn)生更高質(zhì)量的圖像生成效果。

對(duì)于條件圖像輸入，模型引入了雙編碼器策略，將VAE的潛在特征與視覺(jué)編碼器的特征連接起來(lái)。這種方法實(shí)現(xiàn)了統(tǒng)一的多模態(tài)表示，能夠在單個(gè)序列內(nèi)同時(shí)支持生成和理解任務(wù)。這是與以往統(tǒng)一模型的一個(gè)重要區(qū)別，以往的模型往往根據(jù)任務(wù)類型分離視覺(jué)特征，理解任務(wù)使用視覺(jué)編碼器特征，生成任務(wù)使用VAE特征。這種新方法促進(jìn)了復(fù)雜的多模態(tài)交互，比如交錯(cuò)的文本對(duì)話、圖像生成、圖像理解和圖像編輯，所有這些都可以在連續(xù)的上下文中進(jìn)行，無(wú)需在不同的理解和生成管道之間切換。

投影器設(shè)計(jì)也體現(xiàn)了精細(xì)化的考慮。研究團(tuán)隊(duì)設(shè)計(jì)了兩個(gè)不同的投影器模塊，將雙圖像編碼器的特征對(duì)齊到變換器的潛在空間。來(lái)自VAE的特征通過(guò)時(shí)間步調(diào)制的殘差塊進(jìn)行投影，而來(lái)自視覺(jué)編碼器的特征則通過(guò)兩層MLP進(jìn)行變換。同時(shí)，模型還將時(shí)間步嵌入集成到序列中，以增強(qiáng)擴(kuò)散過(guò)程的條件控制。

五、廣義因果注意力機(jī)制：讓AI學(xué)會(huì)"有選擇地關(guān)注"

在多模態(tài)AI系統(tǒng)中，注意力機(jī)制就像是人類的視覺(jué)焦點(diǎn)，決定了模型在處理信息時(shí)應(yīng)該重點(diǎn)關(guān)注哪些內(nèi)容。傳統(tǒng)的語(yǔ)言模型使用因果注意力來(lái)確保文本生成的自回歸特性，而圖像生成模型通常使用全注意力來(lái)捕捉圖像中的全局空間依賴關(guān)系。HunyuanImage 3.0創(chuàng)新性地提出了廣義因果注意力機(jī)制，巧妙地融合了這兩種注意力模式的優(yōu)勢(shì)。

這種機(jī)制的工作原理就像是一個(gè)既懂得時(shí)間順序又理解空間關(guān)系的智能指揮官。對(duì)于文本標(biāo)記，模型嚴(yán)格遵循因果性原則，每個(gè)標(biāo)記只能關(guān)注到序列中它之前出現(xiàn)的所有多模態(tài)標(biāo)記。這確保了文本生成過(guò)程的自回歸性質(zhì)，就像人類在說(shuō)話時(shí)，每個(gè)詞都是基于前面已經(jīng)說(shuō)出的內(nèi)容。

對(duì)于圖像標(biāo)記，模型采用了更加靈活的策略。圖像標(biāo)記不僅可以關(guān)注到它們之前的所有多模態(tài)標(biāo)記，還可以關(guān)注到同一圖像片段內(nèi)的所有后續(xù)圖像標(biāo)記。這種設(shè)計(jì)尊重了文本的自回歸生成特性，同時(shí)充分利用了圖像的全局上下文能力。就像一個(gè)畫家在創(chuàng)作時(shí)，既要考慮已經(jīng)完成的部分，也要統(tǒng)籌考慮整幅畫面的布局和色彩搭配。

在實(shí)際實(shí)現(xiàn)中，這種注意力機(jī)制根據(jù)生成的圖像片段數(shù)量分為兩種類型。當(dāng)訓(xùn)練序列中沒(méi)有生成圖像或只有一個(gè)生成圖像時(shí)，注意力掩碼嚴(yán)格遵循上述廣義因果注意力模式。但是，當(dāng)單個(gè)訓(xùn)練序列中出現(xiàn)多個(gè)生成圖像時(shí)，模型會(huì)進(jìn)行特殊處理：上下文中出現(xiàn)的任何生成圖像都不能被序列中的后續(xù)標(biāo)記關(guān)注。這在注意力掩碼的下三角部分引入了"空洞"，確保訓(xùn)練過(guò)程的一致性。

這種設(shè)計(jì)的巧妙之處在于，雖然訓(xùn)練時(shí)可能出現(xiàn)多個(gè)生成圖像的復(fù)雜情況，但在推理時(shí)，輸入序列永遠(yuǎn)不會(huì)同時(shí)包含多個(gè)生成圖像。因?yàn)橐坏﹫D像生成完成，它就會(huì)被當(dāng)作條件圖像對(duì)待。因此，推理時(shí)的注意力掩碼始終遵循標(biāo)準(zhǔn)的廣義因果注意力結(jié)構(gòu)，無(wú)需額外的掩碼處理。這種設(shè)計(jì)確保了訓(xùn)練和推理過(guò)程中的因果一致性，同時(shí)實(shí)現(xiàn)了高效的多模態(tài)學(xué)習(xí)。

六、位置編碼：為AI建立"空間坐標(biāo)系"

位置編碼是讓AI理解序列中元素相對(duì)位置關(guān)系的關(guān)鍵技術(shù)，就像是為AI建立一套精確的空間坐標(biāo)系統(tǒng)。HunyuanImage 3.0采用了廣義2D旋轉(zhuǎn)位置編碼，這是對(duì)傳統(tǒng)1D位置編碼的重要擴(kuò)展，同時(shí)保持了與預(yù)訓(xùn)練語(yǔ)言模型的向后兼容性。

傳統(tǒng)的旋轉(zhuǎn)位置編碼對(duì)于一維文本位置索引n和一組頻率，位置嵌入被定義為特定的三角函數(shù)組合。HunyuanImage 3.0將這個(gè)概念推廣到二維坐標(biāo)，對(duì)于位置坐標(biāo)(x, y)，嵌入變成了對(duì)x和y坐標(biāo)分別應(yīng)用三角函數(shù)的組合。這種設(shè)計(jì)就像是從一維的數(shù)軸擴(kuò)展到二維的坐標(biāo)平面，讓AI能夠同時(shí)理解水平和垂直方向的位置關(guān)系。

這種設(shè)計(jì)的巧妙之處在于其向后兼容性。圖像標(biāo)記從一維重塑為二維后被分配這種廣義的2D位置編碼，而文本標(biāo)記保留標(biāo)準(zhǔn)的1D旋轉(zhuǎn)位置編碼，同時(shí)也可以被看作是對(duì)角位置的2D旋轉(zhuǎn)位置編碼。這確保在沒(méi)有圖像標(biāo)記時(shí)，編碼完全還原為1D旋轉(zhuǎn)位置編碼，從而保持與傳統(tǒng)文本生成的完全兼容性，最大限度地減少對(duì)預(yù)訓(xùn)練語(yǔ)言能力的干擾。

在包含多個(gè)生成圖像的訓(xùn)練序列中，每個(gè)生成圖像后面的標(biāo)記在訓(xùn)練和推理序列中被分配不同的位置。為了確保訓(xùn)練和推理之間的位置一致性，這些標(biāo)記的位置嵌入通過(guò)相應(yīng)地移動(dòng)它們的標(biāo)記位置來(lái)調(diào)整。這種對(duì)齊對(duì)于保持序列的結(jié)構(gòu)完整性至關(guān)重要，因?yàn)樗鼫p輕了生成圖像可變放置引入的潛在差異。通過(guò)明確對(duì)齊兩個(gè)階段的位置編碼方案，模型可以更有效地泛化，并在序列中保持連貫的上下文關(guān)系。

七、自動(dòng)分辨率調(diào)整：讓AI學(xué)會(huì)"因地制宜"

傳統(tǒng)的圖像生成模型通常需要用戶明確指定想要生成的圖像尺寸和寬高比，這就像是要求用戶在點(diǎn)菜前就必須決定盤子的大小和形狀。HunyuanImage 3.0引入了自動(dòng)分辨率調(diào)整功能，讓模型能夠根據(jù)上下文智能地確定合適的圖像尺寸，這種能力可以基于用戶的提示內(nèi)容或條件圖像標(biāo)記來(lái)自動(dòng)判斷。

這個(gè)功能的實(shí)現(xiàn)方式非常巧妙。研究團(tuán)隊(duì)在語(yǔ)言模型的詞匯表中擴(kuò)展了兩組特殊標(biāo)記：一組表示為圖像尺寸錨點(diǎn)，另一組表示寬高比選項(xiàng)。尺寸錨點(diǎn)標(biāo)記對(duì)應(yīng)不同的圖像分辨率級(jí)別，而寬高比標(biāo)記代表從1:4到4:1范圍內(nèi)的各種比例。這些特殊標(biāo)記就像是AI的"畫布選擇器"，讓模型能夠智能地為不同類型的內(nèi)容選擇最合適的畫布。

在訓(xùn)練過(guò)程中，模型學(xué)會(huì)將這些形狀標(biāo)記與用戶輸入和之前的對(duì)話上下文關(guān)聯(lián)起來(lái)，使其能夠根據(jù)輸入上下文預(yù)測(cè)合適的尺寸和比例標(biāo)記。用戶也可以提供明確的提示，比如"3:4"或"豎版"，來(lái)引導(dǎo)模型生成特定寬高比的圖像?；陬A(yù)測(cè)的尺寸和比例標(biāo)記，模型可以為圖像標(biāo)記配置相應(yīng)的2D旋轉(zhuǎn)位置編碼，從而生成具有所需結(jié)構(gòu)屬性的圖像。

這種自動(dòng)調(diào)整能力讓AI使用起來(lái)更加自然和便捷。用戶不再需要事先考慮技術(shù)細(xì)節(jié)，而是可以專注于描述想要的內(nèi)容，讓AI自動(dòng)判斷最適合的呈現(xiàn)方式。比如，當(dāng)用戶描述一個(gè)人物肖像時(shí)，AI可能會(huì)自動(dòng)選擇豎版格式；而當(dāng)用戶描述風(fēng)景時(shí)，AI可能會(huì)傾向于選擇橫版或方形格式。

八、模型訓(xùn)練：分階段精心雕琢AI

HunyuanImage 3.0的訓(xùn)練過(guò)程就像是培養(yǎng)一個(gè)多才多藝的藝術(shù)家，需要經(jīng)過(guò)系統(tǒng)性的分階段學(xué)習(xí)。整個(gè)訓(xùn)練分為預(yù)訓(xùn)練和后訓(xùn)練兩個(gè)主要部分，每個(gè)部分都有其特定的目標(biāo)和方法。

預(yù)訓(xùn)練過(guò)程采用了漸進(jìn)式策略，分為四個(gè)階段，每個(gè)階段都像是藝術(shù)家學(xué)習(xí)的不同階段。訓(xùn)練數(shù)據(jù)從粗篩到精選，圖像分辨率逐步提高，確保模型能夠循序漸進(jìn)地掌握各種技能。在整個(gè)訓(xùn)練過(guò)程中，圖像的寬高比都被保留，以支持多分辨率圖像生成能力。

第一階段主要訓(xùn)練Transformer主干網(wǎng)絡(luò)，同時(shí)保持視覺(jué)編碼器凍結(jié)。這個(gè)階段同時(shí)優(yōu)化三個(gè)任務(wù)：文本到圖像生成、語(yǔ)言建模和多模態(tài)理解，使用文本-圖像對(duì)和純文本數(shù)據(jù)。這個(gè)階段采用較低的圖像分辨率和大批量訓(xùn)練，讓模型能夠從數(shù)十億張圖像中學(xué)習(xí)，建立文本和圖像模態(tài)之間的潛在表示對(duì)齊。

第二階段保持Transformer主干凍結(jié)，專門微調(diào)視覺(jué)編碼器及其相關(guān)的對(duì)齊模塊，僅使用多模態(tài)理解數(shù)據(jù)來(lái)增強(qiáng)視覺(jué)理解能力。這就像是讓藝術(shù)家專門練習(xí)觀察和理解技巧。

第三階段將視覺(jué)編碼器和Transformer聯(lián)合訓(xùn)練，使用更高分辨率的圖像。數(shù)據(jù)集規(guī)模有所縮減，以增加高質(zhì)量圖像的比例。這個(gè)階段開(kāi)始加入交錯(cuò)的文本-圖像數(shù)據(jù)，比如圖像編輯和圖像到圖像的數(shù)據(jù)，以增強(qiáng)多模態(tài)建模能力。

第四階段進(jìn)一步將訓(xùn)練圖像限制為高分辨率子集，每張圖像在較短邊上至少有1024像素。多模態(tài)理解任務(wù)使用的圖像也被限制為高分辨率子集，以增強(qiáng)理解能力。雖然視覺(jué)編碼器的輸入圖像尺寸保持在512像素，但研究團(tuán)隊(duì)發(fā)現(xiàn)高分辨率VAE特征也有助于改善模型理解能力。這個(gè)階段還加入了推理數(shù)據(jù)，實(shí)現(xiàn)基于思維鏈的文本到圖像生成。推理部分的標(biāo)記也通過(guò)自回歸下一標(biāo)記預(yù)測(cè)進(jìn)行建模。

在預(yù)訓(xùn)練完成后，模型還需要進(jìn)行專門的指令微調(diào)，專門針對(duì)文本到圖像生成任務(wù)。這個(gè)階段使用指令模板格式化文本到圖像、語(yǔ)言建模和思維鏈數(shù)據(jù)，并聯(lián)合使用這些數(shù)據(jù)來(lái)優(yōu)化模型。

九、后訓(xùn)練優(yōu)化：精雕細(xì)琢完美作品

模型的后訓(xùn)練優(yōu)化過(guò)程就像是藝術(shù)品的最后潤(rùn)色階段，通過(guò)多個(gè)精心設(shè)計(jì)的步驟來(lái)系統(tǒng)性地完善模型的生成能力。這個(gè)過(guò)程采用了多階段策略，每個(gè)階段都針對(duì)特定的改進(jìn)目標(biāo)，確保最終模型能夠產(chǎn)生高質(zhì)量、符合人類偏好的圖像。

第一步是監(jiān)督式微調(diào)，團(tuán)隊(duì)收集了精心策劃的高質(zhì)量圖像，涵蓋風(fēng)景、肖像、動(dòng)物、文字渲染等多個(gè)類別。這個(gè)階段采用多階段訓(xùn)練策略，后續(xù)階段逐步引入更高質(zhì)量的訓(xùn)練樣本。這就像是讓藝術(shù)家臨摹大師作品，通過(guò)學(xué)習(xí)最優(yōu)秀的例子來(lái)提高自己的技藝水平。

接下來(lái)是直接偏好優(yōu)化階段，主要用于解決圖像生成中常見(jiàn)的結(jié)構(gòu)缺陷問(wèn)題。訓(xùn)練數(shù)據(jù)的準(zhǔn)備過(guò)程很有意思：首先讓監(jiān)督微調(diào)后的模型生成大量圖像，然后對(duì)這些圖像進(jìn)行標(biāo)注，創(chuàng)建高質(zhì)量和低質(zhì)量樣本的配對(duì)數(shù)據(jù)集。這個(gè)數(shù)據(jù)集作為偏好信號(hào)，被應(yīng)用來(lái)有效抑制扭曲變形，提高視覺(jué)吸引力。這就像是讓藝術(shù)家通過(guò)對(duì)比好作品和壞作品來(lái)學(xué)習(xí)什么是需要避免的。

第三步引入了MixGRPO，這是一個(gè)高效的在線強(qiáng)化學(xué)習(xí)框架，將GRPO擴(kuò)展到基于流的模型，采用混合常微分方程-隨機(jī)微分方程采樣策略。團(tuán)隊(duì)使用開(kāi)源和專有的獎(jiǎng)勵(lì)模型來(lái)優(yōu)化美學(xué)效果，減少扭曲變形，降低偽影。這個(gè)方法還改進(jìn)了優(yōu)勢(shì)估計(jì)以加速收斂，并證明了MixGRPO在大規(guī)模訓(xùn)練中的可擴(kuò)展性，實(shí)現(xiàn)了與人類偏好更強(qiáng)的一致性。

隨后采用SRPO，這是一種新穎的梯度引導(dǎo)在線強(qiáng)化訓(xùn)練策略，專門設(shè)計(jì)用于增強(qiáng)生成圖像的真實(shí)感和美學(xué)質(zhì)量。它直接將噪聲先驗(yàn)注入潛在空間特征，然后在單步中將其去噪為干凈圖像。它選擇去噪軌跡的初始區(qū)間進(jìn)行優(yōu)化，在這個(gè)區(qū)間內(nèi)模型具有更大的改進(jìn)靈活性。通過(guò)整合來(lái)自正面和負(fù)面文本引導(dǎo)的可微分獎(jiǎng)勵(lì)信號(hào)，模型可以高效地與人類偏好保持一致，并緩解AI生成圖像中的常見(jiàn)問(wèn)題，如過(guò)度飽和、不連貫的光照和色彩，以及糟糕的皮膚紋理。

最后一步是團(tuán)隊(duì)自主開(kāi)發(fā)的獎(jiǎng)勵(lì)分布對(duì)齊算法ReDA。這個(gè)算法通過(guò)最小化模型生成輸出與高獎(jiǎng)勵(lì)分布之間的差異來(lái)有效改善視覺(jué)質(zhì)量，高獎(jiǎng)勵(lì)分布由來(lái)自各種類型的多樣化高質(zhì)量圖像集合定義。這種方法就像是讓AI學(xué)習(xí)模仿那些被公認(rèn)為高質(zhì)量的藝術(shù)作品的特征分布。

十、性能評(píng)估：全方位檢驗(yàn)AI實(shí)力

為了全面評(píng)估HunyuanImage 3.0的性能，研究團(tuán)隊(duì)開(kāi)發(fā)了一套全新的評(píng)估體系，同時(shí)采用了多種傳統(tǒng)和創(chuàng)新的評(píng)估方法。這種多維度的評(píng)估就像是對(duì)一個(gè)全能運(yùn)動(dòng)員進(jìn)行全面的體能測(cè)試，確保在各個(gè)方面都能達(dá)到頂尖水平。

團(tuán)隊(duì)首先提出了結(jié)構(gòu)化語(yǔ)義對(duì)齊評(píng)估指標(biāo)，簡(jiǎn)稱SSAE。傳統(tǒng)的文本到圖像生成模型評(píng)估基準(zhǔn)存在明顯的局限性。一方面，這些基準(zhǔn)在提示設(shè)計(jì)和語(yǔ)義多樣性方面存在缺陷，往往使用簡(jiǎn)短的、公式化的結(jié)構(gòu)，無(wú)法捕捉真實(shí)世界用戶指令的復(fù)雜性。另一方面，這些基準(zhǔn)過(guò)度依賴與人類判斷不一致的自動(dòng)化指標(biāo)，比如CLIP分?jǐn)?shù)，這些指標(biāo)可能對(duì)在空間關(guān)系方面存在嚴(yán)重錯(cuò)誤的圖像給出很高的評(píng)分。

為了解決這些問(wèn)題，SSAE采用了先進(jìn)的大語(yǔ)言模型和多模態(tài)大語(yǔ)言模型進(jìn)行圖像-文本對(duì)齊評(píng)估。具體來(lái)說(shuō)，團(tuán)隊(duì)收集了500個(gè)多樣化的提示，并使用基于大語(yǔ)言模型的結(jié)構(gòu)化語(yǔ)義要點(diǎn)解析器提取了3500個(gè)關(guān)鍵要點(diǎn)。通過(guò)上下文學(xué)習(xí)，這些要點(diǎn)被分類到12個(gè)細(xì)粒度字段中，包括主要和次要主體的名詞、主要屬性和動(dòng)作，主要主體的其他屬性，場(chǎng)景的名詞和屬性，以及攝影角度、風(fēng)格和構(gòu)圖等。另一個(gè)大語(yǔ)言模型會(huì)檢查提取要點(diǎn)與原始提示之間的連貫性，過(guò)濾掉幻覺(jué)要點(diǎn)，并補(bǔ)充缺失的要點(diǎn)，然后進(jìn)行人工校正。

在評(píng)估過(guò)程中，一個(gè)先進(jìn)的多模態(tài)大語(yǔ)言模型使用思維鏈推理，基于提示和預(yù)提取的關(guān)鍵要點(diǎn)對(duì)模型生成的圖像進(jìn)行評(píng)分，執(zhí)行0-1匹配?；诖?，計(jì)算字段特定準(zhǔn)確率和兩個(gè)總體指標(biāo)：平均圖像準(zhǔn)確率和全局準(zhǔn)確率。評(píng)估結(jié)果顯示，HunyuanImage 3.0在所有細(xì)粒度字段中都達(dá)到了與領(lǐng)先模型相當(dāng)?shù)男阅堋?/p>

團(tuán)隊(duì)還采用了GSB評(píng)估方法，這是一種常用的相對(duì)性能評(píng)估方式，從整體圖像感知角度評(píng)估兩個(gè)模型的相對(duì)性能。研究團(tuán)隊(duì)精心構(gòu)建了1000個(gè)文本提示來(lái)覆蓋平衡的場(chǎng)景，為每個(gè)模型生成相等數(shù)量的圖像樣本。為了確保公平性，每個(gè)提示只進(jìn)行一次推理，沒(méi)有任何櫻桃挑選結(jié)果的行為。所有其他模型都在其默認(rèn)設(shè)置下進(jìn)行評(píng)估，評(píng)估由100多名專業(yè)評(píng)估員進(jìn)行。

GSB評(píng)估結(jié)果令人印象深刻。HunyuanImage 3.0相比此前最好的開(kāi)源模型HunyuanImage 2.1實(shí)現(xiàn)了14.10%的相對(duì)勝率，確立了HunyuanImage 3.0作為迄今為止最強(qiáng)大的開(kāi)源文本到圖像模型的地位。更重要的是，HunyuanImage 3.0相比閉源商業(yè)模型Seedream 4.0、Nano Banana和GPT-Image分別實(shí)現(xiàn)了1.17%、2.64%和5.00%的相對(duì)勝率。這些結(jié)果證明了HunyuanImage 3.0作為開(kāi)源模型，已經(jīng)達(dá)到了與領(lǐng)先閉源商業(yè)模型相當(dāng)?shù)膱D像生成質(zhì)量水平。

十一、專家激活分析：探索AI內(nèi)部的"分工合作"

研究團(tuán)隊(duì)對(duì)多模態(tài)專家混合模型的內(nèi)部工作機(jī)制進(jìn)行了深入分析，這項(xiàng)研究就像是用X光照射AI的"大腦"，觀察不同的神經(jīng)元在處理不同類型信息時(shí)的活躍程度。這種分析為理解大型AI模型的內(nèi)部工作原理提供了寶貴的洞察。

團(tuán)隊(duì)隨機(jī)選擇了1000個(gè)提示進(jìn)行文本到圖像生成，并使用預(yù)訓(xùn)練模型對(duì)各層專家的激活情況進(jìn)行統(tǒng)計(jì)分析。研究結(jié)果揭示了一個(gè)非常有趣的現(xiàn)象：隨著網(wǎng)絡(luò)層次的加深，專家們?cè)絹?lái)越傾向于"術(shù)業(yè)有專攻"，即不同的專家開(kāi)始專門處理特定的模態(tài)信息。

具體來(lái)說(shuō)，研究團(tuán)隊(duì)通過(guò)熱力圖展示了每一層中各個(gè)專家對(duì)圖像標(biāo)記的專業(yè)化程度。圖中顏色越深的專家表示越專門處理圖像標(biāo)記。同時(shí)，他們還計(jì)算了每層中圖像激活專家分布和文本激活專家分布之間的KL散度。結(jié)果顯示，隨著層數(shù)的增加，這種散度不斷增大，專家激活分布在不同模態(tài)間變得更加分散。

這個(gè)發(fā)現(xiàn)具有重要的理論意義。它表明專家混合架構(gòu)可能通過(guò)在專門化專家之間分散不同模態(tài)的責(zé)任來(lái)增強(qiáng)多模態(tài)建模能力。換句話說(shuō)，AI模型在學(xué)習(xí)過(guò)程中自發(fā)地形成了"內(nèi)部分工"：一些專家變得更擅長(zhǎng)處理文本信息，另一些專家則更擅長(zhǎng)處理圖像信息。這種自然形成的專業(yè)化分工讓整個(gè)模型能夠更高效地處理復(fù)雜的多模態(tài)任務(wù)。

這種現(xiàn)象類似于人類大腦的功能分區(qū)，不同的腦區(qū)負(fù)責(zé)處理不同類型的信息。例如，視覺(jué)皮層主要處理視覺(jué)信息，而語(yǔ)言區(qū)域主要處理語(yǔ)言信息。HunyuanImage 3.0中觀察到的專家專業(yè)化現(xiàn)象表明，即使沒(méi)有明確的設(shè)計(jì)，AI模型也能夠自發(fā)地形成這種功能分區(qū)，這為未來(lái)的模型設(shè)計(jì)提供了重要啟示。

十二、研究意義與未來(lái)展望

HunyuanImage 3.0的發(fā)布標(biāo)志著AI圖像生成領(lǐng)域的一個(gè)重要里程碑。這不僅僅是因?yàn)樗诩夹g(shù)性能上的突破，更重要的是它代表了AI發(fā)展的一個(gè)新方向：從單一功能的專用工具向多功能的通用智能系統(tǒng)演進(jìn)。

這項(xiàng)研究的最大價(jià)值在于證明了統(tǒng)一多模態(tài)建模的可行性。傳統(tǒng)上，理解圖像和生成圖像被視為兩個(gè)完全不同的任務(wù)，需要不同的模型架構(gòu)和訓(xùn)練方法。HunyuanImage 3.0成功地將這兩種能力整合在一個(gè)模型中，并且實(shí)現(xiàn)了性能的顯著提升。這種統(tǒng)一的方法不僅提高了計(jì)算效率，還為更復(fù)雜的多模態(tài)應(yīng)用奠定了基礎(chǔ)。

從技術(shù)創(chuàng)新的角度來(lái)看，HunyuanImage 3.0在多個(gè)方面都取得了突破。廣義因果注意力機(jī)制巧妙地融合了文本和圖像的不同處理需求，為多模態(tài)模型的設(shè)計(jì)提供了新的思路。思維鏈推理的引入讓AI具備了"深思熟慮"的能力，顯著提高了生成內(nèi)容的質(zhì)量和準(zhǔn)確性。自動(dòng)分辨率調(diào)整功能則讓AI使用起來(lái)更加人性化，減少了用戶的技術(shù)負(fù)擔(dān)。

更重要的是，團(tuán)隊(duì)選擇將這個(gè)強(qiáng)大的模型完全開(kāi)源，這對(duì)整個(gè)AI研究社區(qū)具有重大意義。開(kāi)源不僅能夠加速技術(shù)的傳播和改進(jìn)，還能夠讓更多的研究者和開(kāi)發(fā)者基于這個(gè)先進(jìn)的基礎(chǔ)進(jìn)行創(chuàng)新。這種開(kāi)放的態(tài)度有望推動(dòng)整個(gè)AI圖像生成領(lǐng)域進(jìn)入一個(gè)快速發(fā)展的新階段。

從應(yīng)用前景來(lái)看，HunyuanImage 3.0的影響將是深遠(yuǎn)的。在創(chuàng)意產(chǎn)業(yè)中，它可以成為設(shè)計(jì)師、藝術(shù)家和內(nèi)容創(chuàng)作者的強(qiáng)大助手，幫助他們快速實(shí)現(xiàn)創(chuàng)意想法。在教育領(lǐng)域，它可以為教學(xué)提供豐富的視覺(jué)素材，讓抽象概念變得更加直觀易懂。在科研領(lǐng)域，它可以幫助研究者可視化復(fù)雜的概念和數(shù)據(jù)，促進(jìn)科學(xué)發(fā)現(xiàn)和交流。

當(dāng)然，這項(xiàng)技術(shù)的發(fā)展也帶來(lái)了一些需要關(guān)注的問(wèn)題。如何確保AI生成的內(nèi)容不被惡意使用，如何保護(hù)原創(chuàng)內(nèi)容的版權(quán)，如何維護(hù)信息的真實(shí)性，這些都是需要社會(huì)各界共同思考和解決的問(wèn)題。

目前，HunyuanImage 3.0發(fā)布的版本主要專注于文本到圖像的生成能力，但研究團(tuán)隊(duì)透露，圖像到圖像的訓(xùn)練正在進(jìn)行中，這個(gè)功能將在不久的將來(lái)發(fā)布。這意味著AI將具備更強(qiáng)的圖像編輯和轉(zhuǎn)換能力，為用戶提供更加全面的圖像處理解決方案。

展望未來(lái)，多模態(tài)AI的發(fā)展趨勢(shì)將是向著更加智能、更加人性化的方向演進(jìn)。我們可以期待看到能夠處理更多模態(tài)信息的AI系統(tǒng)，比如同時(shí)理解文本、圖像、音頻和視頻的通用AI助手。這些系統(tǒng)將能夠更好地理解人類的需求，提供更加個(gè)性化和貼心的服務(wù)。

HunyuanImage 3.0的成功也為中國(guó)在AI領(lǐng)域的發(fā)展注入了強(qiáng)勁動(dòng)力。作為完全由中國(guó)團(tuán)隊(duì)自主研發(fā)的先進(jìn)AI模型，它不僅展示了中國(guó)在AI技術(shù)方面的實(shí)力，也為全球AI技術(shù)的發(fā)展做出了重要貢獻(xiàn)。這種技術(shù)實(shí)力的提升和開(kāi)放共享的精神，必將推動(dòng)全球AI技術(shù)向著更加開(kāi)放、協(xié)作的方向發(fā)展。

說(shuō)到底，HunyuanImage 3.0不僅僅是一個(gè)技術(shù)產(chǎn)品，更是人類智慧結(jié)晶的體現(xiàn)。它代表了我們對(duì)于創(chuàng)造智能機(jī)器的不懈追求，也體現(xiàn)了我們希望通過(guò)技術(shù)讓世界變得更美好的愿景。隨著這類技術(shù)的不斷發(fā)展和普及，我們有理由相信，AI將成為人類創(chuàng)造力的重要放大器，幫助我們探索無(wú)限的可能性。

Q&A

Q1：HunyuanImage 3.0與其他AI圖像生成模型有什么不同？

A：HunyuanImage 3.0最大的不同在于它是一個(gè)"全能型"AI，既能理解圖片又能生成圖片，而大多數(shù)AI只能做其中一件事。它基于800億參數(shù)的大語(yǔ)言模型，具備思維推理能力，能夠像人類一樣先思考再創(chuàng)作。更重要的是，它是目前最強(qiáng)的完全開(kāi)源圖像生成模型，任何人都可以免費(fèi)使用和改進(jìn)。

Q2：普通用戶如何使用HunyuanImage 3.0？需要什么技術(shù)基礎(chǔ)嗎？

A：HunyuanImage 3.0設(shè)計(jì)得非常人性化，用戶只需要用自然語(yǔ)言描述想要的圖片即可，AI會(huì)自動(dòng)選擇合適的尺寸和風(fēng)格。模型還具備自動(dòng)分辨率調(diào)整功能，無(wú)需用戶指定圖片大小。由于它是開(kāi)源的，開(kāi)發(fā)者可以基于它開(kāi)發(fā)各種應(yīng)用，未來(lái)普通用戶很可能通過(guò)簡(jiǎn)單的網(wǎng)頁(yè)或手機(jī)應(yīng)用就能使用這項(xiàng)技術(shù)。

Q3：HunyuanImage 3.0在性能上真的能與閉源商業(yè)模型競(jìng)爭(zhēng)嗎？

A：是的，評(píng)估結(jié)果顯示HunyuanImage 3.0已經(jīng)達(dá)到了與領(lǐng)先閉源商業(yè)模型相當(dāng)?shù)乃?。在專業(yè)評(píng)估中，它相比Seedream 4.0、Nano Banana等頂級(jí)商業(yè)模型分別取得了正向勝率，證明開(kāi)源模型在圖像生成質(zhì)量上已經(jīng)不輸給昂貴的商業(yè)服務(wù)。這對(duì)整個(gè)行業(yè)來(lái)說(shuō)是一個(gè)重要突破。