9月4日消息，软银集团旗下的日本基础模型开发商 SB Intuitions 发布公司首个图像生成基础模型 Sarashina Image 2.6B，技术博客同步公开了架构与训练细节。模型以 2.6B 参数的 Diffusion Transformer 为核心、从零训练，公司在自测基准上公布的成绩超过 SDXL、FLUX.1-dev 与 Stable Diffusion 3.5 Large 8B。权重开放状态与许可证目前均未披露，自测成绩暂无第三方复现。
从零训练的 2.6B DiT
Sarashina Image 2.6B 走流匹配（Flow Matching）潜在扩散路线，核心是 26 亿参数的 Diffusion Transformer（DiT），未基于任何已有图像生成模型的权重。架构采用 Lumina-Image 2.0 提出的 Unified Next-DiT：文本 token 与图像潜在 token 拼成单一序列，在同一个 Transformer 内统一处理。
模型分三段：文本编码器用的是自家视觉语言模型 Sarashina2.2-Vision-3B，中间是 DiT，末端由 VAE Decoder 还原出百万像素级的高分辨率图像。多轴位置编码让模型可以处理不同长度的 prompt 与多种分辨率、宽高比。
自购图库训练，主打日语理解
训练数据以公司自购的大规模库存图库照片为核心，辅以遵守许可条款的开源数据集，数据规模未披露。caption 覆盖日英双语，文本编码器针对日语的复杂语义结构做了适配：主语省略、长定语修饰、灵活语序，这些是让直译式图像模型出错的典型场景。官方博客的生成示例也选了日本文化题材：雪地里的柴犬、达摩、日本城堡、水中的鸟居。
训练分两段：先从 256×256 到 1024×1024 渐进式预训练，再用 Flow-GRPO（把 GRPO 应用到流匹配）配合奖励模型做偏好优化，官方称主要提升 prompt 追随性与画面质量。
自测成绩领先，短板自己列了
公司在两个基准上公布了对比成绩。OneIG-Bench 上，英语与日语 prompt 均录得总分 0.497，高于 SDXL、FLUX.1-dev 与 Stable Diffusion 3.5 Large 8B；UniGenBench English Long 上 Overall Score 为 80.42，排在 FLUX.1-dev 与 SD3.5 Large 8B 之前。日英同分被归因于双语 caption 训练与 Sarashina2.2-Vision-3B 文本编码器。
这些成绩全部是公司自测：每个 prompt 生成 4 张、统一流程，官方自己声明不构成严格排名，目前也没有第三方复现。博客同时列出剩余短板：属性错配、多目标排布、数量指定、左右前后的空间关系。
软银系玩家的日语图像生成第一步
SB Intuitions 此前的 Sarashina 系列覆盖日语 LLM、视觉语言模型、OCR 与文本嵌入，均在 Hugging Face 开放。图像生成是这家公司的第一条新产品线，官方将其定位为"日语强生成 AI"战略的一环，目标面向 B2B API 服务，把图像生成、编辑与设计支援打包提供。一个开发中的指令式图像编辑模型已在博客中预告：支持单张或多张参照图，基于同一 DiT 架构，能做风格转换、姿势变更与季节天气调整。
开放状态还没有答案。博客没有提及权重开放与许可证，截至9月4日，Hugging Face 上找不到这个模型，与此前的系列惯例不同。若后续开放，2.6B 的参数规模意味着企业在自有环境部署的成本可控；若不开放，日语差异化和自测成绩都只能停留在公司口径，这条产品线的竞争力要等更多外部证据。
AI 速览
