UiT 架構(gòu)探路者，底牌還沒亮。

作者丨宇景

編輯丨馬曉寧 梁丙鑒

2026 年 5 月，智象未來開源了文生圖模型 HiDream-O1-Image（8B），直接登頂 Artificial Analysis 開源模型全球第一，Elo 1187 的分數(shù)力壓 Qwen Image（27B）和 FLUX.2 dev。值得注意的是，這也是 Artificial Analysis 榜單前十中唯一的開源模型。

但消息一出，有人說最強一代開源文生圖模型“實至名歸”，卻也有人直接罵“生成質(zhì)量一坨”。Artificial Analysis 可不是隨便哪里冒出來的野生榜單，盲測 Arena 里都是用戶實時投票打出來的結(jié)果。

兩極分化的評價讓我們感到好奇。因此我們花了幾天時間，從 Reddit 到 GitHub，從架構(gòu)解析到上手實測地拆解了一遍。HiDream-O1-Image 更像是一個技術(shù)方向正確的探路者，無法也不必承擔(dān)殺死比賽的期待。

作為開源第一，它和目前的行業(yè)第一 GPT Image 2 之間還有著不小的差距。這背后是 8B 參數(shù)開源版本同樣明顯的亮點和問題，但它卻已然勾勒出了，未來 200B＋參數(shù) Pro 版本宏偉的可能性。

Artificial Analysis榜單前十只有HiDream 8B作為開源模型入圍

01

UiT 架構(gòu)創(chuàng)新

在 HiDream-O1-Image 之前，主流文生圖模型都選擇了一條“拼盤”路線。VAE 負責(zé)壓縮圖像，T5/CLIP 負責(zé)理解文本，DiT 負責(zé)生成。三件套各司其職，這種方案不可避免的后果就是信息損耗，每一次跨模塊的傳遞，都會丟失細節(jié)。

而 HiDream-O1-Image 此番登頂 Artificial Analysis，其核心創(chuàng)新 UiT 架構(gòu)正是瞄準了這一行業(yè)短板。

HiDream 采用的 UiT 架構(gòu)，把像素、文本、任務(wù)條件全部映射到了同一個 token space 進行端到端處理。換言之，砍掉 VAE 和獨立的文本編碼器之后，所有的信息都在一個空間內(nèi)部流轉(zhuǎn)，最直接的好處就是信息損耗更少，效率更高了。

基于這一項架構(gòu)創(chuàng)新，HiDream-O1-Image 以 8B 的參數(shù)表現(xiàn)出了不遜于 Qwen Image 27B 參數(shù)的性能。這一點得到了技術(shù)報告和榜單排名數(shù)據(jù)的交叉印證，在多個指標(biāo)上，HiDream 相對于后者保持了持平甚至領(lǐng)先。

與此同時，UiT 原生支持多任務(wù)，文生圖、指令編輯、主題驅(qū)動個性化，一套架構(gòu)全包。想用 Stable Diffusion 3.5 編輯圖像，需要加裝 ControlNet，Qwen-Image 則根本不支持指令編輯。目前 HiDream-O1-Image 在開源文生圖模型中，是獨一份的存在。

但代價也很明顯，那就是原生架構(gòu)不兼容現(xiàn)有生態(tài)。

SD 3.5 有成熟的 LoRA 和 ControlNet，社區(qū)積累了數(shù)萬小時的微調(diào)經(jīng)驗。反觀 HiDream 生態(tài)，ComfyUI 剛剛實現(xiàn)支持，Ostris 訓(xùn)練工具也才就緒，工具鏈仍處在起步期。用戶面對的局面，就是原生的成熟 LoRA 尚且稀缺，從 SD 生態(tài)遷移的選擇又因為 checkpoint 格式不通用而被堵死。

最殘酷的差距仍然來自 GPT Image 2，上面的問題對用戶而言都不復(fù)存在，所有的交互就是打開網(wǎng)頁、輸入 prompt。在文生圖模型走向落地的過程中，開箱即用本身就是一種至關(guān)重要，卻又常常被開源模型忽視的競爭力。

HiDream在github上展示的demo

02

五維實測：HiDream-O1-Image 的能力邊界在哪

光看技術(shù)報告沒意思，接下來看看 HiDream-O1-Image 在實際任務(wù)中表現(xiàn)如何。

首先是為一款無糖氣泡水設(shè)計電商海報，用于即將到來的 618 促銷。我們要求 HiDream-O1-Image 針對不同投放平臺，分別生成1:1、3:4、16:9、9:16 四種比例的畫面，整體風(fēng)格要清爽、年輕化。

實測中四種比例的畫面都沒有翻車，這里以 16：9 的版本為例， 可以看到冰塊和水花四濺的效果相當(dāng)自然，畫面非常清爽。更可圈可點的是文字部分，"0 糖也好喝"和"第二件半價"的文案渲染清晰準確。對于一款 8B 模型而言，可以說是超出預(yù)期。

美中不足的是生成結(jié)果缺乏商業(yè)要素，平臺 logo、價格標(biāo)簽和促銷信息都沒有，還達不到直接作為廣告投放的水準。在這一點上，GPT Image 2 和 Midjourney 的完成度顯然更高，差距就在對語境的理解上。當(dāng)然，如果回到素材工具的維度衡量，HiDream-O1-Image 的生成和審美能力則已經(jīng)完全勝任了。

第二項測試是漫畫生成，這種多鏡頭場景覆蓋了漫畫創(chuàng)作、分鏡頭生成或游戲資產(chǎn)的生產(chǎn)，同樣是文生圖模型距離落地最近的場景之一。而其中最關(guān)鍵的考量，就是模型能否在頻繁切換的鏡頭和視角下，維持住角色形象的一致性。

在測試生成的四宮格漫畫中，可以注意到一個細節(jié)是，主角柴犬的紅色圍巾在四個畫面中都出現(xiàn)了，顏色、位置不變，紋理也基本一致，說明HiDream-O1-Image 具備跨鏡頭保持視覺元素的能力。

有意思的是，我們的提示詞雖然描述了畫面、情節(jié)，并向模型指出這是一則漫畫，但 HiDream-O1-Image 卻似乎無法理解漫畫對文字的包含關(guān)系，因此最初交付的生成結(jié)果只有圖片，需要我們手動添加指令“加入中文對白”。這和此前電商海報的測試任務(wù)某種程度上實現(xiàn)了互相印證，HiDream-O1-Image 在主動理解語境上，似乎力有不逮。

在第三項測試中，我們要求 HiDream-O1-Image 生成一張面向初中生的水循環(huán)科普圖片，介紹包括蒸發(fā)、凝結(jié)、降水、地表徑流和地下滲透的水循環(huán)環(huán)節(jié)，并用箭頭展示先后順序。在圖解中，還需要用簡短中文標(biāo)簽標(biāo)注每個階段的名稱。這項任務(wù)涉及到復(fù)雜指令遵循，和復(fù)雜畫面元素對模型排版能力的考驗。

在最終的五份交付結(jié)果中，有四張均準確無誤。下面是唯一出現(xiàn)了錯誤的一張，其中地下滲透的水循環(huán)方向發(fā)生了顛倒。

比起簡單的幻覺，這更像是某種常識錯誤。閉源模型得益于更長周期的 RLHF 與真實用戶反饋積累，在復(fù)雜排版、文本生成和信息層級控制上的穩(wěn)定性更加突出。而相對地，常識一致性和復(fù)雜指令對齊能力仍然是今天開源模型和閉源模型最主要的差距之一。

第四項測試是街景生成。這項任務(wù)的特殊之處在于，我們僅僅給出了對地點的簡單描述，如“上海舊城區(qū)街景”，要求模型自行補全，生成邏輯、元素合理的圖像。這考驗的是模型的世界知識。

在實際測試中，我們選擇了東京澀谷、巴黎咖啡館、新加坡牛車水、上海弄堂、廣州騎樓、東京京都 6 個風(fēng)格強烈且對比明顯的地點。

比較有代表性的是左上角的巴黎咖啡館。深紅遮陽棚加金色字體、外擺的藤編咖啡椅配小圓桌，都是巴黎左岸咖啡館典型的視覺語言。

空間邏輯上，最成功的一張當(dāng)屬上排中間的新加坡水牛車街景，燈籠街的部分不僅在色彩飽和度上盡可能控制，而且整體街道透視非常穩(wěn)定。從燈籠的排列就能看出這一點，燈籠之間距離幾乎保持一致，消失點也符合空間邏輯。美中不足的是，HiDream-O1-Image 雖然復(fù)刻了南洋騎樓和彩色店屋的建筑風(fēng)格，但是畫面中仍然能看出一些香港唐樓的影子，讓街景像是一種地域混搭的產(chǎn)物。

論建筑語言，最準確的一副是右上角的廣州騎樓。連續(xù)廊柱下的遮雨空間、混合立面、深進深商鋪都是鮮明的騎樓特征，畫面中甚至還生成了雨天下的反光地面，很符合廣州多雨水的城市印象。

對于大部分場景，HiDream-O1-Image 都能生成建筑形態(tài)合理、空間邏輯在線的街景。但縱觀六個畫面，文字渲染混亂的“偽漢語”仍然層出不窮。其實法語也沒能逃過，左上角的巴黎咖啡館街景中，CAFE 的拼寫無誤，但左側(cè)的 OAMER 疑似無意義的字母組合。這也是一種“偽文字”的典型表現(xiàn)，也就是在缺乏具體文字內(nèi)容指令的情況下，模型可以生成看起來像文字的紋理，但卻無關(guān)乎語義的完整與否。

在最后一項測試中，我們要求 HiDream-O1-Image 為健身 APP 生成一份 UI 頁面，其中需要包括訓(xùn)練計劃、卡路里消耗、課程卡片、底部導(dǎo)航欄等元素。

這是最有迷惑性的一個測試。界面結(jié)構(gòu)合理，組件對齊，乍看之下幾乎以為是真實的 UI 稿，但卻經(jīng)不起細看。

最明顯的問題是文字系統(tǒng)崩壞，熱量單位在同一個頁面里出現(xiàn)了 “kcal / kcl / kcs / kal” 四種寫法，卡片標(biāo)題和副標(biāo)題重復(fù)，中文字體與英文排版體系完全不統(tǒng)一，布局上也沒有突出應(yīng)有的信息層級，重要區(qū)域只是靠“大數(shù)字 + 大圓角 + 熒光色”制造視覺沖擊，此外的人臉破碎更不必多說，真正的 UI 設(shè)計師手底下出不了這么糙的活。

與此同時，很多看似合理的內(nèi)容其實只是視覺拼貼。例如“核心強化”配圖是一個人站著舉啞鈴，視覺上和訓(xùn)練內(nèi)容沒有直接關(guān)聯(lián)。事實上這仍然是對街景生成任務(wù)中，“偽文字”問題的重復(fù)，即在不理解真實語義的情況下，文字只是某種視覺紋理。

03

8B 開源版，到底該跟誰比

你能透過這份實測看到 HiDream-O1-Image 引起的幾乎所有爭議。在某些場景下，它確實以 8B 參數(shù)做到了 27B 的表現(xiàn)，UiT 的架構(gòu)創(chuàng)新值得尊重。而在另一些場景，GPT Image 2 的統(tǒng)治力依然無可撼動，用 HiDream-O1-Image 去橫向?qū)Ρ龋瑹o異以卵擊石。

但問題在于，這種對比本身是否合理？

此次開源的 8B 版本更像是一個技術(shù)路線的驗證者，如果它的任務(wù)是證明 UiT 架構(gòu)可行，那么這一目的顯然達成了。但如果開發(fā)者社區(qū)拿到手之后，選擇直接對標(biāo) GPT Image 2，由于預(yù)期錯位導(dǎo)致的落差幾乎必然的。同樣的原因，此前 GPT Image 2 收獲了一邊倒的好評，也并非出于它的完美，而在于用戶和廠商對其定位達成了共識，一款付費使用的生產(chǎn)級工具。

那么回到探路者的角色，HiDream-O1-Image 表現(xiàn)如何？

GitHub 兩周 443 stars，26 forks，6 個 open issues，對一個剛滿半個月的開源項目而言，這個熱度不算低。ComfyUI 支持，Reddit 上累計 100+ upvotes，Ostris 訓(xùn)練工具就緒，技術(shù)報告上線 arXiv，就生態(tài)建設(shè)而言，動作也不算慢。

縱觀整個文生圖模型生態(tài)，HiDream-O1-Image 的獨特位置在于，它有著最前沿的架構(gòu)，模型本身的成熟度卻沒那么高。雖然以 Elo 1187 的評分拿下了開源模型第一，但中文支持還要打上一個問號，生態(tài)建設(shè)也仍在起步階段，至于 LoRA、ControlNet 這些高階玩法更是暫時不用多想。

回頭來看，HiDream-O1-Image 最大的價值，就在于它揭示了 UiT 架構(gòu)是一條能走通的路。統(tǒng)一 token space 的效率優(yōu)勢指向未來，此前的五維測試也暴露了邊界。如果說 8B 開源版本的使命是技術(shù)驗證和社區(qū)預(yù)熱，借此看看 UiT 架構(gòu)能做到什么程度，那么后續(xù)發(fā)布的 Pro 版本，才是那個真正要和 GPT Image 2 一較高下的選手。

8B 開源版是一扇窗，真正的風(fēng)景還在 200B＋ 參數(shù)的 Pro 版本之后。

未經(jīng)「AI科技評論」授權(quán)，嚴禁以任何方式在網(wǎng)頁、論壇、社區(qū)進行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時需標(biāo)注來源并插入本公眾號名片。