百度近期正式向公众开放了其文心大模型团队开发的ERNIE-Image图形生成系统，该系统的参数规模仅为8B，在仅需24GB显存的消费级GPU上就能运行。
在多个国际评估标准中，ERNIE-Image表现出色，在GenEval、OneIG等关键测试中的综合得分均列开源模型之首。尤其在文字渲染方面，其性能与Nano Banana等商业闭源系统处于同一水平线上。
此外，团队还同时发布了ERNIE-Image-Turbo版本，该版本将推理步骤从标准版的50步压缩到了仅需8步完成。
目前这两个模型的相关代码和权重文件都已经上传至Hugging Face平台，并遵循Apache 2.0许可协议。与此同时，ComfyUI工作流模板也已上线，同时还有一套由Unsloth提供的开源量化方案支持GGUF格式的转换优化。
ERNIE-Image采用了单向Diffusion Transformer架构，并集成了提示词增强模块（Prompt Enhancer），能够将简短的文字输入扩展为详细的描述后进行生成处理，从而提高指令的理解能力和图像细节控制水平。
该模型的GitHub页面已经获得了78个点赞支持。
经过一系列复杂任务的实际测试显示，ERNIE-Image-Turbo在多物体布局、图表生成和光影效果等方面表现稳定。然而，在处理涉及复杂文字或多种语言的内容时，仍然存在一些识别错误的问题。
技术详情：https://ernie.baidu.com/blog/zh/posts/ernie-image/
体验平台入口：https://aistudio.baidu.com/ernieimage
Hugging Face资源链接：https://huggingface.co/baidu/ERNIE-Image https://huggingface.co/baidu/ERNIE-Image-Turbo
在六组高难度提示词测试中，模型在多主体空间控制和图表生成方面表现出色。
我们使用了包含多种语言、复杂文字渲染、漫画分镜叙事等六个维度的提示词对ERINE-Image-Turbo进行了全面评估。所有结果均为一次性生成，未经任何筛选或修改。
总体来看，在处理多主体空间关系控制和数据图表生成时，模型表现出色；但在遇到复杂的文字渲染任务时，则出现了一些预期之外的问题。
在首个测试中，ERNIE-Image未能准确地将生僻汉字“鬱”进行正确的图像绘制。
第二项是关于多语言混排的挑战。虽然在视觉呈现上基本符合要求，但仔细观察可以发现，“Knowledge”一词缺少了一个字母，并且韩文也存在偏差。
当测试难度进一步提升到极小字体清晰显示时，图像中出现了乱码、字符变形等问题，未能完整还原指定的技术参数和评测数据。
在漫画分镜的实验里，模型展示了较好的布局能力，但角色位置却发生了错误。原本设定的学生举手提问变成了教授在问问题，并且对话框也跟着改变方向。
数据图表生成方面，ERNIE-Image表现良好，在表头、颜色和标签等细节上都准确无误。
多主体空间控制测试中，模型能够严格按照指令放置七个物品的位置、尺寸及遮挡关系。所有指定的物体都在正确的场景内出现且位置排列得当。
最后一组实验是关于光线处理能力，ERNIE-Image严格遵守了伦勃朗布光的要求，展现了出色的光影控制技能。
在国际基准评测中，ERNIE-Image在GenEval、OneIG和LongText-Bench等重要评估指标上均表现出色，在文字渲染方面更是名列前茅。
GenEval测试显示，ERNIE-Image以0.8856的成绩位居榜首。而在OneIG的英文和中文榜单中，虽然得分稍逊于Nano Banana 2.0，但仍保持在前三的位置，并且在推理维度单项成绩上领先其他开源模型。
针对LongText-Bench评测，ERNIE-Image在两个语言方向上均取得了优秀的结果，在所有开源模型中独占鳌头。
ERNIE-Image的核心优势在于其轻量级架构和较低的部署门槛。仅需8B参数规模即可运行于消费级GPU设备之上，这使得它适用于个人创作者或小型团队进行本地部署，无需额外购买专业硬件支持。
在调用方式上，标准版ERNIE-Image采用50步推理流程，而Turbo版本则通过优化降至仅需8步完成，并且在保持性能的同时提升了速度。
为了便于用户使用和开发人员进行微调训练，百度提供了多种集成方案，包括直接通过Python代码调用以及部署到服务端等多种方式。此外还支持将PE模块单独剥离运行以加快提示词扩展速度，适用于延迟敏感的应用场景。
总结来看，ERNIE-Image在现有文生图技术的基础上实现了显著的进步，在保证高质量图像生成的同时，进一步增强了模型的可控性和灵活性。
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。