HiDream-O1-Image

HiDream-O1-Image 是由 HiDream.ai 团队开发的一个原生统一图像生成大模型（代号“花生/Peanuts”）。该项目旨在通过单一的架构解决多种复杂的视觉生成和编辑任务。

以下是该项目的核心要点总结：

1. 核心技术：像素级统一 Transformer (UiT)

与传统的扩散模型（如 Stable Diffusion）不同，HiDream-O1-Image 采用了原生统一的设计：

• 无 VAE & 无独立文本编码器：模型直接在原始像素上构建，无需外部的 VAE 编解码器或不相交的文本编码器。
• 统一标记空间：文本、原始像素及特定任务条件都在同一个共享的标记空间（Token Space）中进行原生编码。

2. 主要功能与能力

该模型不仅限于简单的文生图，它是一个多功能工具箱：

• 超高分辨率生成：支持原生合成高达 2,048 × 2,048 分辨率的图像，细节清晰。
• 精准文本渲染：在图像中处理长文本、多语言文本和复杂布局的能力极强，解决了 AI 绘图常有的“乱码”痛点。
• 指令式图像编辑：用户可以通过自然语言指令（如“去掉耳机”）对现有图像进行修改。
• 主体驱动个性化（IP 保留）：提供参考图后，可以在新场景中精准保留特定人物或物体的特征。

3. “推理驱动”的提示词代理 (Prompt Agent)

这是该项目冠以“O1”名称的关键：

• 内置了一个推理代理（基于 Gemma-4-31B 或 API）。
• 在生成图像前，代理会先进行“思考”，解决隐含的物理逻辑、布局规划和文本渲染细节，将简单的用户指令重写为高度详细的专业提示词。

4. 模型版本与效率

• 模型规模：主体参数量为 80 亿 (8B)。
• 版本划分：
  • HiDream-O1-Image (Full)：全量版，推理需 50 步，追求最高质量。
  • HiDream-O1-Image-Dev：蒸馏版，推理仅需 28 步，兼顾速度与效果。
• 性能表现：在多个基准测试（GenEval, DPG-Bench 等）中，8B 规模的它展现出了媲美甚至超越更大参数模型（如 FLUX.2 或闭源模型）的性能。

5. 开源与生态

• 许可证：采用非常宽松的 MIT 许可证，允许商业用途。
• 工具支持：提供了完整的推理脚本 (inference.py)、提示词代理脚本 (prompt_agent.py) 以及基于 Flask 的 Web 演示界面 (app.py)。
• 发布时间：该项目于 2026 年 5 月正式开源并上线 Hugging Face。

一句话总结：这是一个高效、全能且拥有“逻辑思考能力”的 8B 级国产开源图像生成模型，擅长高分辨率、文字排版及复杂指令任务。

主题授权提示：请在后台主题设置-主题授权-激活主题的正版授权，授权购买：RiTheme官网