同時(shí)，騰訊混元團(tuán)隊(duì)透露，即將發(fā)布原生多模態(tài)圖像生成模型。

混元圖像2.1在2.0架構(gòu)的基礎(chǔ)上全面升級(jí)，更加注重生成效果與性能之間的平衡。新版本不僅支持中英文的原生輸入，還能夠?qū)崿F(xiàn)中英文文本與復(fù)雜語義的高質(zhì)量生成。同時(shí)，在生成圖片的整體美學(xué)表現(xiàn)和適用場(chǎng)景的多樣性方面，都有了顯著提升。

這意味著，設(shè)計(jì)師、插畫師等視覺創(chuàng)作者能夠更加高效、便捷地將自己的創(chuàng)意轉(zhuǎn)化為畫面。無論是生成高保真的創(chuàng)意插畫，還是制作包含中英文宣傳語的海報(bào)和包裝設(shè)計(jì)，亦或是復(fù)雜的四格漫畫與連環(huán)畫，混元圖像2.1都能為創(chuàng)作者提供快速、高質(zhì)量的支持。

混元圖像2.1是一款全面開源的基座模型，不僅具備業(yè)界領(lǐng)先的生成效果，還能夠靈活適配社區(qū)多樣化的衍生需求。目前，混元圖像2.1的模型權(quán)重和代碼已在Hugging Face、GitHub等開源社區(qū)正式發(fā)布，個(gè)人和企業(yè)開發(fā)者均可基于這一基礎(chǔ)模型開展研究，或開發(fā)各類衍生模型與插件。

得益于更大規(guī)模的圖文對(duì)齊數(shù)據(jù)集，混元圖像2.1在復(fù)雜語義理解和跨領(lǐng)域泛化能力上有了顯著提升。它支持最長(zhǎng)達(dá)1000個(gè)tokens的提示詞，可精準(zhǔn)生成場(chǎng)景細(xì)節(jié)、人物表情和動(dòng)作，實(shí)現(xiàn)多物體的分別描述與控制。此外，混元圖像2.1還能夠?qū)D像中的文字進(jìn)行精細(xì)控制，使文字信息與畫面自然融合。

（混元圖像2.1亮點(diǎn)1：模型對(duì)復(fù)雜語義理解能力強(qiáng)，支持多主體分別描述與精確生成。）

（混元圖像2.1亮點(diǎn)2：對(duì)圖像中的文字和場(chǎng)景細(xì)節(jié)的把控更為穩(wěn)定。）

（混元圖像2.1亮點(diǎn)3：支持風(fēng)格豐富，如真人、漫畫與搪膠手辦等，并具備較高美感。）

騰訊混元圖像模型2.1處于開源模型中的SOTA水平。

從 SSAE（Structured Semantic Alignment Evaluation） 的評(píng)估結(jié)果上看，騰訊混元圖像模型2.1在語義對(duì)齊上目前達(dá)到了開源模型上最優(yōu)的效果，并且非常接近閉源商業(yè)模型 (GPT-Image) 的效果。

同時(shí)，GSB（Good Same Bad) 評(píng)測(cè)結(jié)果表明，HunyuanImage 2.1的圖像生成質(zhì)量與閉源商業(yè)模型Seedream3.0相當(dāng)，同時(shí)相較于同類開源模型Qwen-Image略優(yōu)。

混元圖像2.1模型不僅采用了海量訓(xùn)練數(shù)據(jù)，還利用結(jié)構(gòu)化、不同長(zhǎng)度、內(nèi)容多樣的caption，極大提升了對(duì)文本描述的理解能力。在caption模型中，引入了OCR和IP RAG專家模型，有效增強(qiáng)了對(duì)復(fù)雜文字識(shí)別和世界知識(shí)的響應(yīng)能力。

為大幅降低計(jì)算量、提升訓(xùn)練和推理效率，模型采用了32倍超高壓縮倍率的VAE, 并使用dinov2對(duì)齊和repa loss來降低訓(xùn)練難度。因此，模型能高效原生生成2K圖。

在文本編碼方面，混元圖像2.1配備了雙文本編碼器：一個(gè)MLLM模塊用于進(jìn)一步提升圖文對(duì)齊能力，另一個(gè)ByT5模型則增強(qiáng)了文字生成表現(xiàn)力。整體架構(gòu)為17B參數(shù)的單/雙流DiT模型。

此外，混元圖像2.1還在17B參數(shù)量級(jí)的模型上解決了平均流模型（meanflow）的訓(xùn)練穩(wěn)定性問題，將模型推理步數(shù)由100步蒸餾到8 步，顯著提升推理速度的同時(shí)保證了模型原有的效果。

同步開源的混元文本改寫模型（PromptEnhancer）是業(yè)內(nèi)首個(gè)系統(tǒng)化、工業(yè)級(jí)的中英文改寫模型，能夠?qū)τ脩舻奈谋局噶钸M(jìn)行結(jié)構(gòu)化優(yōu)化，豐富視覺表達(dá)，使改寫后的文本生成圖像的語義表現(xiàn)得到大幅提升。

騰訊混元在圖像生成領(lǐng)域持續(xù)深耕，曾發(fā)布首個(gè)開源的中文原生DiT架構(gòu)圖像大模型——混元DiT，以及業(yè)界首個(gè)商用級(jí)實(shí)時(shí)生圖模型——混元圖像2.0。此次推出的原生2K模型混元圖像2.1則在效果與性能之間實(shí)現(xiàn)了更好的平衡，能夠滿足用戶和企業(yè)在多樣化視覺場(chǎng)景下的多種需求。

同時(shí)，騰訊混元堅(jiān)定擁抱開源，陸續(xù)開放了多種尺寸語言模型，圖像、視頻、3D等完整多模態(tài)生成能力和工具集插件，提供接近商業(yè)模型性能的開源基座。圖像、視頻衍生模型數(shù)量總數(shù)達(dá)到3000個(gè)，混元3D系列模型社區(qū)下載量超過230萬，已成為全球最受歡迎的3D開源模型。

附項(xiàng)目相關(guān)鏈接：

騰訊混元官網(wǎng)

https://hunyuan.tencent.com/image

Github

https://github.com/Tencent-Hunyuan/HunyuanImage-2.1

Hugging Face

https://huggingface.co/tencent/HunyuanImage-2.1

nina