百度文心大模型团队近日宣布开源文生图模型ERNIE-Image及其轻量化版本ERNIE-Image-Turbo，在开源社区引发广泛关注。该模型参数规模仅80亿，可在配备24GB显存的消费级GPU上运行，显著降低了专业级图像生成技术的使用门槛。技术报告显示，其在Geneval、OneIG等国际权威基准测试中综合得分位居开源模型首位，尤其在复杂文字渲染能力方面达到商业闭源模型水准。
模型架构采用单流Diffusion Transformer（DiT）设计，创新性地集成提示词增强模块（Prompt Enhancer）。该模块能自动将简短输入转化为结构化描述，有效提升对复杂指令的理解能力。测试数据显示，标准版推理需50步完成，而Turbo版通过动态步长优化和强化学习技术，将推理步数压缩至8步，在保持85%画面质量的同时实现6倍速度提升。
实测环节采用六组高难度测试用例，涵盖多语言混排、漫画分镜叙事、数据可视化等复杂场景。在多主体空间控制测试中，模型准确还原了包含七件物品的桌面场景，物品位置、尺寸及遮挡关系完全符合指令要求。数据图表生成测试显示，模型能精确呈现表格数据与条形图配色，仅出现一处模型名称遗漏的微小误差。光影效果测试中，伦勃朗布光指令得到完整执行，人物面部光影过渡自然，背景纯黑无纹理干扰。
文字渲染能力呈现明显优劣势。在生成"鬱鬱蔥蔥"等生僻汉字时，模型出现字形替换错误，复杂汉字"龑""靐"未能正确呈现。中英日韩四语混排测试中，英文单词"Knowledge"缺失字母"e"，韩文短语存在字符变形。但LongText-Bench专项评测显示，其英文文字渲染得分达0.9804，中文得分0.9661，在开源模型中排名第一，与商业模型Nano Banana 2.0差距不足2%。
部署方案兼顾灵活性与效率。开发者可通过Hugging Face的diffusers库直接调用，或使用SGLang框架构建服务端应用。特别设计的模块化架构支持将提示词增强模块与主干网络分离部署，在在线生成场景中可降低30%响应延迟。配套发布的AI-Toolkit工具包提供完整微调训练流程，支持开发者基于自有数据集优化模型表现。
国际基准测试数据印证技术实力。Geneval通用图像生成测试中，ERNIE-Image以0.8856分超越Qwen-Image等竞品。OneIG中文评测榜单显示，其在多样性维度取得0.2478的最高分，综合得分仅次于Nano Banana 2.0。值得关注的是，模型在推理速度维度表现突出，Turbo版在保持竞争力的同时，硬件需求较同类模型降低60%。
开源协议采用Apache 2.0许可，代码库上线首周即获得78颗星标。配套发布的ComfyUI工作流模板和GGUF格式量化方案，进一步简化模型集成流程。技术团队透露，后续优化将聚焦语义理解精度提升，重点解决多角色交互场景中的指令歧义问题，为专业内容生产场景提供更可靠的技术支撑。
