5月20日消息,智象未来正式发布 HiDream-O1-Image-Pro。这不是一次普通的图像模型更新——底层架构变了。新模型基于原生全模态架构 Unified Transformer(UiT)打造,参数规模超过2000亿,在多个图像生成基准测试中刷新 SOTA。同日,智象未来宣布完成新一轮亿级融资。
HiDream-O1-Image-Pro:2000亿参数的原生全模态路线
HiDream-O1-Image-Pro 是智象未来新一代图像生成大模型,对应系列中的 Pro 版本。相比此前开源的 8B 版本,Pro 版参数规模超过 200B,定位旗舰闭源模型,主要展示智象未来在大规模图像生成上的能力上限。
根据 Hugging Face 与论文信息,HiDream-O1-Image 系列采用 Pixel-level Unified Transformer 架构,可以在同一个共享 token 空间里处理原始像素、文本 token 和任务条件。
这和传统扩散模型的思路不同。过去图像模型多为分模块处理——文本交给文本编码器,图像交给 VAE,生成主干再负责扩散或去噪。流程能跑,但模态之间有隔层,信息传递容易损耗。HiDream-O1 直接把像素、文本和任务条件统一放进一个 Transformer 里处理,这也是它所说的「原生全模态」。
UiT 架构:合而不是拼
UiT 全称 Unified Transformer,核心不是换个模型名字,而是把原本分开的模态编码流程合到统一架构里。
按照智象未来的说法,过去图像、视频、人体动作、文本等信息通常通过不同编码分支处理,每个模态有自己的表示方式,模型需要不断做跨模态对齐,容易出现信息割裂和编码误差。UiT 尝试把这些信息统一到同一个 Transformer 结构中,效果体现在三个方面:
第一,减少中间编码损耗,模型不再严重依赖外部 VAE 或独立文本编码器,图像和文本可在同一空间里交互。第二,多任务能力更自然——文生图、图像编辑、主体驱动个性化、长文本渲染都可视为同一架构下的不同任务。第三,为未来扩展到视频、音频和 3D 打基础,图像只是第一站。
这也是这次发布最关键的信号:智象未来正在从「图像生成公司」往「全模态基础模型公司」走。
文本渲染和主体一致性是主要突破
HiDream-O1-Image 系列覆盖的任务包括文生图、指令式图像编辑、主体驱动个性化、多参考图生成、长文本渲染、布局控制和故事板生成。其中最值得关注的是文本渲染和主体一致性。
图像生成模型过去最容易翻车的地方有两个:一是文字,二是人物或商品的一致性。海报里的中文容易乱码,品牌包装文字不稳定;同一个人物换场景后,脸和风格容易变。HiDream-O1-Image 在这两个方向上明显发力。官方信息显示,它支持最高 2048×2048 分辨率生成,并强调多区域、多语言长文本渲染能力,这对海报、信息图、商品包装、广告素材和教育出版等场景很实用。
Benchmark 表现
从公开数据看,HiDream-O1-Image 系列的成绩在国产图像模型中处于前列:
开源 8B 版本在 GenEval 上拿到 0.90,总分超过 GPT Image 2 的 0.89;在复杂视觉文本生成 CVTG-2K 中,HiDream-O1-Image-Pro 达到 0.9222,高于 GPT Image 2、FLUX.2 Dev、Qwen-Image 等模型。在 HPSv3 人类偏好评测中,HiDream-O1-Image-Pro 取得 10.47 的整体分数,高于 GPT Image 2 的 10.21。
这类评测仍需等待第三方独立验证——图像模型容易出现「榜单好看,真实工作流还要打磨」的情况,但至少从目前数据看,HiDream-O1-Image-Pro 已将国产图像模型推到一个很靠前的位置。
同日官宣融资:视觉多模态赛道仍在获资本支持
同一天,智象未来宣布完成新一轮亿级融资,投资方包括深创投、金浦投资、财鑫资本、复聚资本等机构。
模型发布和融资放在一起看,信号明确:图像与视频生成赛道仍是资本重点下注方向。文生图、图生图、视频生成、广告素材、短剧制作、电商视觉、游戏美术、影视预演——这些场景都离商业化很近。相比纯聊天模型,视觉生成模型更容易直接进入内容生产流程。
智象未来此前已在 AIGC 视频和视觉多模态方向积累用户与企业客户,这次发布 200B+ Pro 模型和 UiT 架构,等于是把技术路线往更底层推进。
本质追问:图像模型竞争从「画得好看」走向「架构统一」
过去两年,图像生成模型的竞争主要围绕出图质量、审美、速度和文字能力。但现在竞争正在往底层架构走。FLUX、Qwen-Image、Seedream、GPT Image、HiDream-O1,这些模型背后拼的不只是「谁画得更好看」,而是谁能把图像生成、图像编辑、文本渲染、主体一致性和多模态理解整合成统一能力。
HiDream-O1-Image-Pro 的核心意义不是发布一个更大的图像模型,而是在押注一个方向——未来多模态模型不会是多个模块拼接,而会走向原生统一架构。UiT 路线如果继续成立,图像、视频、音频、3D 甚至动作生成都可能被放进同一个模型框架里处理。
对普通用户来说,短期最直接的价值是更强的图像生成、文字渲染、图像编辑和主体一致性。对行业来说,更大的看点是:图像模型正在从「扩散模型拼模块」的阶段走向「统一 Transformer 架构」的新阶段。