Google Imagen 4 退役倒计时：ERNIE-Image 能否成为开源替代的首选？

2026 年 8 月 17 日，Google 将正式关闭 Imagen 4 全部三个端点。对于依赖 Google 图像生成 API 的开发者和企业来说，不到三周的倒计时已经启动。对于需要中文文字渲染、本地部署和零 API 成本的用户，开源社区给出了一个有力的答案。

Imagen 4：从 Google 旗舰到退役

2026 年 4 月，Google 还在大力推广 Imagen 4 的文本渲染能力和高保真图像生成。仅仅三个月后，Imagen 4 全线进入退役倒计时。

根据 Google 官方 deprecations 页面，以下三个 Imagen 4 模型端点将于 2026 年 8 月 17 日 正式关闭：

模型 ID	状态	关闭日期	推荐替代
imagen-4.0-generate-001	Deprecated	2026-08-17	gemini-3.1-flash-image
imagen-4.0-ultra-generate-001	Deprecated	2026-08-17	gemini-3.1-flash-image
imagen-4.0-fast-generate-001	Deprecated	2026-08-17	gemini-3.1-flash-image

这不是 Google 第一次退役图像生成模型。此前 Imagen 3 已于 2025 年 11 月关闭。每一次模型迭代都伴随着 API 端点变更、代码重写和迁移成本。

Google 推荐的用户迁移路径是转向 Gemini 3.1 Flash Image（社区俗称 Nano Banana）。但 Nano Banana 同样是闭源 API 模型——你无法下载它、无法在本地运行、无法进行微调或 LoRA 训练。

对于许多开发者来说，这意味着：又一次 API 迁移，又一次供应商锁定。

为什么要寻找开源替代？

闭源 API 模型有三个根本性风险：

1. 供应商锁定风险：Google 可以随时改变定价、关闭端点、修改使用条款。Imagen 4 用户在 2025 年 6 月刚迁移到新 API，2026 年 8 月又要再次迁移。
2. 隐私与合规：API 调用意味着你的提示词和生成图像会经过 Google 服务器。对于涉及客户数据、商业机密的场景，这可能是不可接受的。
3. 成本不可控：API 按调用次数计费，高吞吐量场景下成本迅速累积。自部署模型只需一次硬件投入，后续边际成本接近零。

ERNIE-Image：8B 参数、Apache 2.0、开源即用

2026 年 4 月 15 日，百度正式开源了 ERNIE-Image——一个基于单流 Diffusion Transformer（DiT）架构的 8B 参数文生图模型，采用 Apache 2.0 协议。

核心规格：

特性	ERNIE-Image	Imagen 4	Nano Banana
开源	✅ Apache 2.0	❌ 闭源	❌ 闭源
本地部署	✅ 支持	❌ 不支持	❌ 不支持
参数规模	8B	未知（闭源）	未知（闭源）
中文渲染	✅ 强项	❌ 仅英文	✅ 支持
价格	零（自部署）	API 计费	API 计费
微调/LoRA	✅ 支持	❌ 不支持	❌ 不支持
隐私保障	✅ 完全本地	❌ 数据上云	❌ 数据上云

基准测试对比

GenEval 复杂指令跟随

在 GenEval 基准上，ERNIE-Image（不使用 PE）以 0.8856 的总分位居开源模型之首：

模型	单目标	双目标	计数	颜色	位置	属性绑定	总体
ERNIE-Image (w/o PE)	1.0000	0.9596	0.7781	0.9282	0.8550	0.7925	0.8856
Qwen-Image	0.9900	0.9200	0.8900	0.8800	0.7600	0.7700	0.8683
FLUX.2-klein-9B	0.9313	0.9571	0.8281	0.9149	0.7175	0.7400	0.8481

LongTextBench 文字渲染

文字渲染是 ERNIE-Image 的最强优势。在 LongTextBench 上：

模型	英文	中文	平均
Seedream 4.5（闭源）	0.9890	0.9873	0.9882
ERNIE-Image（使用 PE）	0.9804	0.9661	0.9733
GLM-Image	0.9524	0.9788	0.9656
Qwen-Image-2512	0.9560	0.9650	0.9605

注意：ERNIE-Image 是开源模型中最强的文字渲染模型，中英文兼顾。相比之下，Imagen 4 仅支持英文提示词，且文字渲染能力在第三方评测中始终落后于 ERNIE-Image。

从 Imagen 4 迁移到 ERNIE-Image：三步走

第一步：环境准备

ERNIE-Image 对硬件要求极低——一张 24GB 显存的 GPU（RTX 3090/4090）即可流畅运行。

Diffusers 安装（最快上手）：

pip install git+https://github.com/huggingface/diffusers

import torch
from diffusers import ErnieImagePipeline
pipe = ErnieImagePipeline.from_pretrained(

"baidu/ERNIE-Image",

torch_dtype=torch.bfloat16,

).to("cuda")
image = pipe(

prompt="A photo of a Japanese-style ramen shop interior, warm lighting, wooden counter, steam rising from the soup",

height=1024,

width=1024,

num_inference_steps=50,

guidance_scale=4.0,

use_pe=True

).images[0]

image.save("output.png")

第二步：将 Imagen API 调用迁移到本地

迁移前（Imagen API）：

from google import genai
client = genai.Client()
response = client.models.generate_images(
    model='imagen-4.0-generate-001',
    prompt='A futuristic cityscape at sunset',
    config={'number_of_images': 1, 'aspect_ratio': '16:9'}
)

迁移后（ERNIE-Image 本地）：

import torch
from diffusers import ErnieImagePipeline
pipe = ErnieImagePipeline.from_pretrained(

"baidu/ERNIE-Image", torch_dtype=torch.bfloat16

).to("cuda")
image = pipe(

prompt="A futuristic cityscape at sunset, cyberpunk style, neon lights reflecting on wet streets, flying vehicles in the sky",

height=848,  # 16:9 → 848x1512 or 1024x1024

width=1512,

num_inference_steps=50,

guidance_scale=4.0,

use_pe=True

).images[0]

关键差异：

• Imagen 4 使用 API key + 远程调用，ERNIE-Image 使用本地模型
• ERNIE-Image 支持更长的提示词（远超 480 tokens 限制）
• ERNIE-Image 支持中文提示词（Imagen 4 不支持）
• ERNIE-Image 可以自定义推理步数和 guidance scale

第三步：部署到生产环境

对于生产环境，推荐使用 SGLang 部署以获得最佳性能：

# 安装 SGLang
git clone https://github.com/sgl-project/sglang.git
pip install -e "python[diffusion]"
启动 ERNIE-Image 服务
sglang serve --model-path baidu/ERNIE-Image 

--num-gpus 1 

--performance-mode auto 

--port 30010

启动后即可通过 OpenAI 兼容 API 调用：

curl -X POST http://localhost:30010/v1/images/generations \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "An oil painting of a mountain lake, impressionist style",
    "height": 1024,
    "width": 1024,
    "num_inference_steps": 50,
    "guidance_scale": 4.0,
    "use_pe": true
  }' \
  --output output.png

这意味着你可以用几乎零代码迁移将 Imagen API 调用替换为自托管端点——Go、JavaScript、Python 等所有语言的客户端只需将 base_url 改为本地地址即可。

Turbo 模式：8 步推理的极速选择

如果 Imagen 4 Fast 的响应速度是你关心的重点，ERNIE-Image-Turbo 仅需 8 步推理，在 RTX 4090 上可在 2-3 秒内生成一张 1024×1024 图像：

pipe = ErnieImagePipeline.from_pretrained(
    "baidu/ERNIE-Image-Turbo", torch_dtype=torch.bfloat16
).to("cuda")
image = pipe(

prompt="A minimalist logo design with geometric shapes",

height=1024,

width=1024,

num_inference_steps=8,

guidance_scale=1.0,

use_pe=True

).images[0]

Turbo 模型通过 DMD（分布匹配蒸馏）和 RL（强化学习）优化，在保持画质的同时实现 6 倍以上的速度提升。

迁移成本对比

方案	初始成本	月度运营成本	每张图像成本	隐私
Imagen 4 API	$0	~$150（10万张/月）	~$0.0015/张	❌
Nano Banana API	$0	~$390（10万张/月）	~$0.039/张	❌
ERNIE-Image 自部署（RTX 4090）	~$2,000（一次性）	~$50（电费）	~$0.0005/张	✅
ERNIE-Image 云 GPU（RunPod）	$0	~$100（A100 40GB）	~$0.001/张	✅

注：以上为近似估算，实际成本因用量和云服务商而异。

谁应该立即迁移？

强烈建议立即迁移的用户：

• 中文内容创作者：如果你需要生成含中文文字的图像（海报、社交媒体配图、电商图片），ERNIE-Image 的中文文字渲染能力远超 Imagen 4（后者甚至不支持中文提示词）
• 隐私敏感型应用：医疗、金融、法律等行业的图像生成需求，数据不能离开本地
• 高吞吐量场景：每月生成 10 万张以上的用户，自部署的成本优势极为明显
• 需要定制化控制：需要 LoRA 微调、ControlNet 控制、自定义 VAE 的进阶用户

可以观望的用户：

• 完全使用英文且不需要本地部署的用户，可以迁移到 Nano Banana
• 图像编辑为主的用户，ERNIE-Image 编辑模型尚未发布（编辑需求可借助 FLUX Kontext 或 Bernini-R 等社区方案）

编辑模型：社区的期待

截至 2026 年 7 月 30 日，ERNIE-Image 的编辑模型（Inpainting/Outpainting）尚未正式发布。但社区已有多种有效替代方案：

• 简单编辑：img2img + mask 方案功能完备
• 高质量编辑：FLUX Kontext 提供专业级编辑能力
• 文字+编辑：Bernini-R 混合管线保留文字渲染优势

根据百度官方路线图，编辑模型 Beta 预计在 2026 年 7-8 月 通过 ComfyUI 节点发布。对于需要编辑能力的用户，建议在迁移到 ERNIE-Image 进行基础生成的同时，配合社区方案完成编辑工作流。

总结：开源替代的时代已经到来

Imagen 4 的退役不是孤立事件——它是闭源 API 模型固有风险的最新例证。每一次模型迭代、每一个端点关闭，都在提醒开发者：API 便利性的背面是供应商锁定。

ERNIE-Image 作为 Apache 2.0 协议下最强开源文生图模型，在文字渲染、指令跟随、结构化生成等方面达到了开源 SOTA，在中文文字渲染方面更是唯一能与闭源旗舰抗衡的模型。

从 Imagen 4 迁移到 ERNIE-Image，不仅是技术选择，更是从"租用能力"到"拥有能力"的转变。

---

参考来源：Google Gemini API Deprecations、ERNIE-Image Technical Report (arXiv:2605.25347)、HuggingFace baidu/ERNIE-Image、SGLang 官方文档、Google Imagen 迁移指南