ERNIE-Image vs Recraft V3：文字渲染全面横评——8B 开源精悍挑战闭源冠军
摘要：Recraft V3 以 HuggingFace ELO 1172 登顶文字生成图像排行榜，被称为"世界上唯一能生成含长文本图像的模型"。ERNIE-Image 8B 以 LongTextBench 0.9733 稳居开源榜前列。两者代表了文字渲染的两个方向：闭源 API 的极致精度 vs 开源模型的自由部署。本文将从架构、精度、成本和实际应用场景四个维度进行全面对比。
背景：文字渲染——AI 图像生成的最后一座大山
从 Stable Diffusion 到 FLUX，开源图像生成几乎都面临同一个痛点：模型可以生成精美的图像，但一旦要求它在图中渲染可读文字，效果立刻崩塌。字母变成乱码，中文变成方块，连简单的 Logo 都难以正确拼写。
2024 年底，Recraft V3 横空出世，以 ELO 1172 的得分登顶 HuggingFace 文字到图像排行榜，声称"世界上唯一能生成含长文本图像的模型"。2026 年 4 月，百度开源了 ERNIE-Image 8B，LongTextBench 得分 0.9733，在开源文字渲染领域占据领先地位。
两个模型，两条路径：闭源 API 的极致精度 vs 开源模型的自由部署。谁能真正解决文字渲染这个 AI 图像生成领域的"圣杯问题"？
架构对比：两种不同的文字渲染哲学
Recraft V3：ControlNet 式文字布局条件
Recraft V3 的文字渲染方案是一个多阶段管线：
- 自定义 OCR 模型：基于《Bridging the Gap Between End-to-End and Two-Step Text Spotting》论文训练，解决开源 OCR 在分布不匹配时的失败问题
- 条件标注模型：标准图像描述很少提到文字内容，Recraft 训练了专门的图像标注模型，使其能够生成包含文字布局信息的描述
- LLM 文字布局生成器：将文字位置、大小、字体等信息转化为布局图
- ControlNet 式文字条件：将文字布局图作为额外的条件输入图像生成模型，引导精确的文字定位
官方技术博客提到："JSON 输出比最终格式慢 10 倍"——Recraft 将 LLM 的 JSON 输出优化为轻量级自定义格式，大幅提升了推理速度。
ERNIE-Image：单流 DiT 原生文字渲染
ERNIE-Image 走了一条完全不同的路线：不依赖额外的文字布局条件，而是通过改进训练数据和训练策略，让 DiT 原生具备文字渲染能力。
核心技术要点：
- Qwen3 VLM 自动标注：用 Qwen3 视觉语言模型对训练数据进行结构化描述提取，包括图中的文字内容和布局
- 美学对齐训练（DPO + Flow Matching）：通过直接偏好优化将美学评估融入训练
- 单流架构：8B DiT 参数，使用 FLUX.2 VAE，不需要额外的 ControlNet 或文字布局条件
ERNIE-Image 技术报告中的关键表述：
"ERNIE-Image 旨在实现我们的终极目标：构建一个开源、强大且易于使用的模型。我们采用 FLUX.2 VAE，提供强大的开源潜空间用于高保真图像生成。"
架构哲学对比
| 维度 | Recraft V3 | ERNIE-Image |
|---|---|---|
| 渲染方式 | 额外文字布局条件（ControlNet 式） | 原生 DiT 训练 |
| 参数量 | 未公开 | 8B |
| 开源状态 | ❌ 闭源 | ✅ Apache 2.0 |
| 额外模型 | OCR + 标注 + 布局 LLM + 图像生成 | 仅需主模型（PE 可选） |
| 推理管线 | 多阶段（慢） | 单阶段（快） |
文字渲染精度实测对比
短文字（1-5 个词）
Recraft V3 在短文字渲染上几乎完美——HuggingFace ELO 1172 的得分主要来自于这类任务的极高准确率。ERNIE-Image 在短文字上也表现优秀，LongTextBench 0.9733 的得分证明了其强大的文字识别能力。
实际测试经验（基于社区反馈和官方基准）：
- Recraft V3：短文字准确率接近 99%，支持精确的字体、大小和位置控制
- ERNIE-Image：短文字准确率约 90-95%，支持中英文双语文字渲染
长文字（10+ 个词/句子）
这是 Recraft V3 的核心卖点。官方声明："世界上唯一能生成含长文本图像的模型"。Recraft V3 可以在一张图中渲染整段文字，并保持可读性和排版一致性。
ERNIE-Image 在长文字上也有不错的表现，但更多是依靠其 8B 参数的强大指令遵循能力。技术报告中 LongTextBench 0.9733 的得分涵盖了从短语到句子的多种长度。
关键差异：Recraft V3 的文字渲染是"精确控制"（用户可指定位置和大小），而 ERNIE-Image 的文字渲染是"自动布局"（模型自行决定文字位置）。
多语言文字
| 语言 | Recraft V3 | ERNIE-Image |
|---|---|---|
| 英语 | ✅ 优秀 | ✅ 优秀 |
| 中文 | ⚠️ 有限 | ✅ 原生支持 |
| 日语 | ⚠️ 有限 | ✅ 支持 |
| 西语 | ✅ 支持 | ✅ 支持 |
| 阿拉伯语 | ❌ 未测试 | ⚠️ 有限 |
ERNIE-Image 的文字渲染在 CJK（中日韩）字符上有显著优势——这是大多数英文训练的图像生成模型难以企及的能力。
成本与可访问性对比
Recraft V3
- 免费层：每日 50 credits
- 基础套餐：€10/月（1,000 credits）
- API 接入：提供 RESTful API
- 部署方式：仅限网页和 API，无本地部署选项
- 矢量图：✅ 原生支持（SVG 输出）
ERNIE-Image
- 本地部署：完全免费，Apache 2.0 许可
- GPU 要求：BF16 约 16GB+ VRAM，FP8 约 8GB+，GGUF 约 12GB+
- 免费云端：Google Colab 免费 T4 GPU 即可运行
- 第三方 API：SiliconFlow（约 ¥0.11/张）、WaveSpeed、Civitai 等
- 商业使用：✅ Apache 2.0 许可，无限制
成本对比（生成 1000 张含文字的图片）
| 方案 | 估算成本 |
|---|---|
| Recraft V3 基础套餐 | €10-30（取决于图片复杂度） |
| ERNIE-Image 本地 GPU | ¥0（已有 GPU）或电费 |
| ERNIE-Image SiliconFlow | ≈ ¥110 |
| ERNIE-Image Colab 免费 | ¥0（T4 GPU） |
结论：对于高频使用者，ERNIE-Image 的成本优势非常明显。对于偶尔使用文字渲染功能的设计师，Recraft V3 的免费额度可能够用。
实际应用场景对比
场景 1：海报设计
- Recraft V3 优势：精确的文字位置和大小控制，适合专业海报设计
- ERNIE-Image 优势：中文海报原生支持，无需翻译 prompt
场景 2：电商产品图
- Recraft V3 优势：产品包装上的品牌文字精确渲染
- ERNIE-Image 优势：本地部署保护商业隐私，批量生成成本极低
场景 3：社交媒体内容
- Recraft V3 优势：矢量图输出，可直接用于设计软件
- ERNIE-Image 优势：中文社交媒体（小红书、微博）内容直接生成
场景 4：学术研究/教育
- Recraft V3 劣势：闭源，无法复现或改进
- ERNIE-Image 优势：开源模型，可用于研究、教学、微调
选择建议
| 你的需求 | 推荐 |
|---|---|
| 需要精确的文字定位和排版控制 | Recraft V3 |
| 需要中文文字渲染 | ERNIE-Image |
| 预算有限或高频使用 | ERNIE-Image |
| 需要本地部署（数据隐私/离线） | ERNIE-Image |
| 需要矢量图输出 | Recraft V3 |
| 用于学术研究或二次开发 | ERNIE-Image |
| 偶尔使用，追求即开即用 | Recraft V3 |
| 需要开源可审计的模型 | ERNIE-Image |
总结
Recraft V3 和 ERNIE-Image 代表了文字渲染的两个极端：极致精度 vs 自由开放。
Recraft V3 的优势在于它的专业设计工具定位——精确的文字定位、矢量图输出、一站式编辑能力。对于专业设计师来说，这是"开箱即用"的文字渲染解决方案。
ERNIE-Image 的优势在于它的开源性质和成本效益。8B 参数的精悍模型，Apache 2.0 许可，支持本地部署、Colab 免费运行、第三方 API 低至 ¥0.11/张。更重要的是，它原生支持 CJK 文字渲染——这是大多数英文训练的模型做不到的。
如果你需要一个"工具"来快速生成含文字的图像，Recraft V3 是目前最好的选择。
如果你需要一个"平台"来构建自己的文字渲染工作流，ERNIE-Image 是目前最好的选择。
在 2026 年的 AI 图像生成格局中，这两个模型不是竞争对手，而是互补的工具——分别服务于不同的用户群体和使用场景。
本文数据来源：Recraft V3 技术博客、ERNIE-Image 技术报告（arXiv 2605.25347）、HuggingFace Leaderboard、社区实测反馈。