百度又开源！消费级GPU可跑，文字渲染能力对标Nano Banana

智东西
作者 陈佳
编辑 程茜

智东西4月15日报道，今日，百度文心大模型团队正式开源文生图模型ERNIE-Image，其参数规模仅8B，可在显存24GB的消费级GPU上运行。该模型在GenEval、OneIG等多项国际基准上综合得分位居开源模型第一，尤其在文字渲染能力上，与Nano Banana等商业闭源模型同处第一梯队。

同步开源的还有ERNIE-Image-Turbo版本，其推理步数从标准版的50步压缩至8步。

两款模型的权重与推理代码已全部上传至Hugging Face，遵循Apache 2.0协议，ComfyUI工作流模板也已同步上线，开源量化方案由模型加速工具链Unsloth合作提供GGUF格式支持。

ERNIE-Image采用单流DiT架构，并内置提示词增强（Prompt Enhancer）模块，可将简短输入自动扩展为结构化描述再进行生成，提升指令理解与细节控制能力。

▲百度ERNIE-Image开源代码仓库页面，并已获得78颗星（图源：GitHub）

智东西用六组提示词对该模型Turbo版本进行了实测，从实际体验来看，ERNIE-Image-Turbo在处理复杂画面时表现稳定，比如多物体按照提示词要求摆放、图表生成、光影效果这些的任务基本都能做到位，但涉及复杂文字、多语言内容或人物关系这种更精细的要求，就容易出现写错字或理解偏差的问题。

技术Blog：https://ernie.baidu.com/blog/zh/posts/ernie-image/

体验平台：https://aistudio.baidu.com/ernieimage

Hugging Face：
https://huggingface.co/baidu/ERNIE-Image
https://huggingface.co/baidu/ERNIE-Image-Turbo

一、六组高难Prompt实测，多主体与图表生成表现良好

我们用六组提示词对ERNIE-Image-Turbo做了测试，覆盖高密度多语言文字渲染、多语言混排、漫画分镜叙事、数据图表生成、多主体空间控制和光影人像六个维度。六组全部单次生成，未经重试筛选，所有图均为原图直出。

整体感受是，该模型多主体空间关系控制、数据图表生成和光影细节还原这几项能力表现不错，但碰到高复杂度文字渲染，踩坑比预期要明显。

1、生僻汉字渲染，“鬱”字没能过关

第一组想看的是，这个模型能不能在图像里准确写出笔画复杂的生僻字，尤其是形近字。

该模型在宣纸水墨背景、楷体风格与红色 “文心” 印章这些视觉氛围营造上均还原到位。

但在文字精确生成上存在明显失误，我们指定的第一行是“鬱鬱蔥蔥”（yù yù cōng cōng），生成出来变成了“糲糲萬蕙”，完全不是同一个字。第三行的生僻字“赢麟龑靐”（yíng lín yǎn bìng），生成结果是“赢麟頃䫧”，“龑”和“靐”这两个高复杂度字直接被换掉了。三行里只有第二行“薛蟠贾雨村”字形结构没有问题。

2、中英日韩四语混排，英文丢了个字母

中英日韩四语混排测试里，整体呈现和提示词要求基本对得上，版式、风格没什么大问题。但仔细看会发现，第二行的“Knowledge”明显少写了一个字母“e”，第四行的韩文也和指定的“지식에는 경계가 없다”有出入。

我们随后加大了难度，要求该模型把四种语言以极小字号清晰呈现、笔画无锯齿、严格网格对齐。结果图里出现了乱码、字符变形和内容篡改，多处文字直接无法识别，指定的技术参数和评测数据没有一个完整还原出来。

3、漫画分镜实测，角色搞反了

这一组测试同时考三件事：多面板布局、角色跨格一致性、气泡里的文字渲染。

生成图片的布局和风格表现不错，两行三列的均等分镜结构完整，格间分隔清晰，角色外观在六格之间保持了一致性。但剧情出了岔子，第二格设定的是学生举手提问，气泡内容是“老师，这是什么意思？”，生成出来变成了教授举手，气泡也跟着配在了教授身上，互动主体完全反了。该模型在语义上出了理解偏差。

4、生成数据图表，细节基本准确到位

这一组测的是能不能该模型按指令生成结构严谨的表格和可视化图，数字和标签准不准。

这组表现比预期好。表头“模型名称”“参数量”“GenEval得分”清晰无误，填入的模型名称、8B参数量，以及0.8856、0.8667等具体得分都没有遗漏或改错。右栏条形图的配色规则也严格执行了，橙色高亮ERNIE-Image (w/o PE)，蓝色呈现其余模型，Y轴的0.75到0.95区间准确，条形顶部数值标注和表格完全一致。唯一的小瑕疵是X轴第二个模型名称漏掉了“Turbo”。

5、七件物品测多主体空间控制，位置关系对得很准

这组测试要求该模型严格控制七个物品的位置、尺寸、遮挡关系，在一张写实俯拍桌面照里把它们放对地方。

这是六组里最让人满意的一组，七个指定物品全部按要求出现，且核心位置关系没有乱：翻开的精装书在画面正中，左页手写批注“此处存疑”、右页英文印刷句都清晰可读；黑色细框眼镜压在书本左上角；白色陶瓷咖啡杯在书本右侧，心形拉花形态自然；一元人民币硬币在咖啡杯右侧；黄色便利贴贴于书本正下方，手写“deadline:4月20日”内容准确；钢笔放在桌面左下角，笔尖朝向书本，全程无人物入镜。空间逻辑自洽，没有出现物品叠错或位置串行的情况。

6、伦勃朗布光，光影执行到位

最后一组想测的是，在给出高度具体的光影、材质和色彩指令后，该模型会不会自行简化内容。

结果是，该模型严格执行了指令：画面采用伦勃朗布光，主光来自左上方45度角，右侧脸颊的三角形光斑清晰可辨，轮廓规整；右侧完全无补光，仅靠少量环境反光勾出轮廓；背景纯黑，无纹理；肤质写实，毛孔可见，无磨皮痕迹；深色高领毛衣领口处的编织纹理也还原出来了。

二、国际基准评测成绩单，文字渲染在开源模型里拿第一

百度在三个国际公开基准上对ERNIE-Image进行了系统评测，分别是衡量通用图像生成能力的GenEval、覆盖中英文双语场景的OneIG，以及专门测试高密度文字渲染的LongText-Bench。

在衡量通用图像生成能力的GenEval测试中，ERNIE-Image（不启用PE）综合得分为0.8856，在所有参测模型中排名第一，超过Qwen-Image（0.8683）和FLUX.2-klein-9B（0.8481）。

▲GenEval专业文生图模型评测基准（图源：百度ERNIE-Image技术报告）

OneIG英文榜上，ERNIE-Image开启PE后综合得分0.5750，仅次于Nano Banana 2.0（0.5780）和Seedream 4.5（0.5760），位列第三，同时在推理维度单项排名第一（0.3566）。

▲OneIG-EN，评估文生图模型在英文提示词场景下综合生成能力的量化评测体系（图源：百度ERNIE-Image技术报告）

中文榜上，ERNIE-Image开启PE的综合得分为0.5543，同样位列前两名仅次于Nano Banana 2.0，还在多样性维度上跑出了0.2478的最高分。

▲OneIG-ZW，评估文生图模型在中文提示词场景下综合生成能力的量化评测体系（图源：百度ERNIE-Image技术报告）

文字渲染专项LongText-Bench是最能体现ERNIE-Image差异化能力的榜单。英文维度上，ERNIE-Image开启PE得分0.9804，中文维度0.9661，综合均分0.9733，在所有开源模型中排名第一。对比来看，Nano Banana 2.0综合均分0.9650，Qwen-Image为0.9445，Z-Image为0.9355。

▲LongText-Bench，专业文生图长文本评测基准（图源：百度ERNIE-Image技术报告）

三、架构轻量、部署门槛低，8B参数跑进商用模型射程

ERNIE-Image的核心架构是单流Diffusion Transformer（DiT），并内置一个轻量级提示词增强器Prompt Enhancer（PE）模块，负责将用户的简短文字输入自动扩展为更丰富、结构化的详细描述，再送入DiT主干生成图像。

该模型的参数规模仅8B，这在开源文生图领域属于中小体量，但百度称在参数效率优化上做了大量工作，使运行门槛降至24GB显存的消费级GPU，显著低于此前同精度水平模型的部署要求。对照部分大参数开源模型的运行需求，ERNIE-Image这一设计的意义在于，个人创作者和中小团队无需购置专业工作站即可本地部署。

两个模型版本在调用方式上有所区别：标准版ERNIE-Image推理步数为50步，CFG（分类器自由引导）值为4.0；Turbo版由DMD和强化学习联合优化，推理步数降至8步，CFG降至1.0，牺牲少量精度换取速度提升。

在工程部署上，百度同时提供了两种集成方案。第一种是通过Hugging Face的diffusers库直接调用，只需几行Python代码即可完成推理；第二种是通过推理框架SGLang部署服务端，并支持将PE模块单独剥离，用vLLM单独运行以加快提示词扩展速度，DiT主干与PE各占独立端口，适合对延迟敏感的线上场景。此外，AI-Toolkit已支持对ERNIE-Image进行微调训练，为有个性化需求的开发者提供了完整的训练-推理链路。

结语：文生图再进阶，从“能出图”走向“可控生成”

如果把文生图模型的发展拆开看，过去一段时间的进步主要集中在“画得更像”，但在复杂结构控制、规则执行和文本表达上一直不稳定。

此次ERNIE-Image的实测结果显示，多主体位置关系、图表结构、分镜布局和光影条件这类“强约束任务”已经可以较稳定完成。未来，谁能先解决文本与语义一致性问题，谁才更有可能真正进入设计、内容生产等高要求场景。