可能是目前效果最好的开源生图模型，混元生图3.0来了

74 0 0

文章摘要

腾讯混元最新发布并开源了原生多模态生图模型HunyuanImage 3.0，其参数规模高达80B，是目前参数量最大的开源生图模型。该模型将理解与生成一体化融合，成为首个开源工业级原生多模态生图模型，效果对标业界头部闭源模型，堪称开源领域最强图像生成模型。HunyuanImage 3.0支持多分辨率图像生成，具备强大的指令遵从、世界知识推理和文字渲染能力，生成的图像具有极致的美学与艺术感。

模型的核心技术方案基于Hunyuan-A13B（总参数量80B，激活参数量13B），采用原生多模态、统一自回归框架，将文本理解、视觉理解与高保真图像生成深度融合于同一架构。不同于传统DiT路线，混元3.0以LLM为核心底座，天然继承强大的语言与推理能力，并在预训练阶段深度混合LLM数据、多模态理解与生成数据，形成“理解反哺生成、语言驱动视觉”的正反馈闭环，显著提升语义对齐、细节控制与复杂场景的创作稳定性。

技术细节方面，混元3.0采用双编码器结构（VAE+ViT）作为图像理解输入，实现文本和图像的灵活交互。通过引入广义因果注意力（Generalized Causal Attention），模型在保持文本token因果型注意力的同时，赋予图像token全局注意力能力，兼顾语言因果推理与图像全局建模。二维位置编码（2D RoPE）的设计则完全兼容原始LLM的一维位置编码，最大程度保持语言能力。

数据处理方面，团队从超过100亿张原始图像中筛选出近50亿张高质量图像，并构建了一套中英双语、分层级的描述体系。推理数据集的构建激活了模型的“思维链”能力，包括T2T和T2TI数据，训练模型自主完成从理解用户意图到生成图像的全过程。训练策略采用渐进式四阶段预训练，逐步提升分辨率并引入复杂数据，随后进行指令微调和多阶段后训练，最终实现对生成结果的精细打磨。

在模型测评方面，HunyuanImage 3.0采用机器指标（SSAE）和人工评测（GSB）两种方式评估效果。SSAE结果显示，模型在语义一致性上媲美甚至超越业界领先模型；GSB人工评测中，HunyuanImage 3.0相较于多个竞品模型均表现出优势，胜率最高达14.10%，表明其足以媲美业界领先闭源模型。

HunyuanImage 3.0已面向社区完全开源，代码与权重同步释出，为开发者和研究者提供了强大的工具。其开源仓库、技术报告及相关资源均已公开，进一步推动了多模态生图技术的发展与应用。