ERNIE-Image 对决 Qwen-Image-2512：8B 后发先至，20B 老牌劲旅的正面交锋
2025 年 12 月 31 日，阿里 Qwen 团队赶在跨年夜放出了 Qwen-Image-2512——20B 参数的 MMDiT 升级版，官方用"超过 10,000 轮盲测、开源文生图排名第一"给自己定了调。四个月后，百度 ERNIE-Image 团队开源了只有 8B 参数的 ERNIE-Image，一句"用 8B 打出接近 20B 模型的成绩"把战火直接烧到了 Qwen 家门口。
两个模型都是 Apache 2.0，都能免费商用，都在中文文字渲染上下了重注。但它们的路线截然相反：Qwen 把参数堆到 20B，用规模换上限；ERNIE 把参数压到 8B，用架构巧思和外部增强器换效率。这是开源文生图世界里最经典的一道选择题：你要 20B 的从容，还是 8B 的轻快？
架构路线：两条不同的路
Qwen-Image-2512 延续了 Qwen-Image 的多模态扩散 Transformer（MMDiT）架构——文本和图像 token 在同一个 Transformer 里联合建模，20B 参数全部用于主干。这一代升级重点很明确：消除"AI 感"、提升自然细节、强化文字渲染的版式与多模态组合能力。
ERNIE-Image 走的是"紧凑 + 增强"路线：8B 单流 DiT 主干，搭配一个 3B 的 Prompt Enhancer（PE）。PE 基于 Ministral 3B 微调，把用户简短输入扩写成结构化描述，再喂给 DiT。参数省下来的部分，用外部增强器补齐。SFT 版 50 步推理，Turbo 版（DMD + RL 蒸馏）只需 8 步。
基准数据：各有山头
两边官方的基准表放在一起看，结论非常清晰——文字渲染 ERNIE 占优，综合指令遵循各有千秋。
| 基准 | ERNIE-Image | Qwen-Image-2512 |
|---|---|---|
| GenEval 总体 | 0.8856（开源第一） | 0.8683（Qwen-Image） |
| LongText-Bench 平均 | 0.9733（开源第一） | 0.9604 |
| OneIG-EN 总体 | 0.5750（第3） | 0.5300 |
| OneIG-EN 文字 | 0.9788 | 0.9900 |
| OneIG-EN 推理 | 0.3566（全场最佳） | 0.2920 |
LongText-Bench 上，ERNIE-Image 的英文 0.9804、中文 0.9661 双双领先；OneIG-EN 的文字单项 Qwen-2512 略胜，但 ERNIE 在推理维度拿下全场最高分。Qwen 的牌面则在 AI Arena——超过 10,000 轮人类盲测中排名开源第一。
快速上手：显存决定门槛
这是两者差距最直观的地方。ERNIE-Image 全精度权重约 16GB，官方明说 24GB 显存的消费级显卡就能跑，ComfyUI 搜节点即用，Diffusers、SGLang、fal.ai、Replicate、SiliconFlow 全部就位。
Qwen-Image-2512 的 20B 全精度权重约 40GB，想本地跑通常要 GGUF 量化或 offload，门槛明显更高。不过 Qwen 生态更老、资料更多，且 Qwen-Image 2.0 提供了 API-only 的 4 步生成路径——不在乎自托管的话，云端调用反而很快。
# ERNIE-Image：一行 Diffusers
from diffusers import ErnieImagePipeline
pipe = ErnieImagePipeline.from_pretrained("baidu/ERNIE-Image", torch_dtype=torch.bfloat16)
Qwen-Image-2512：官方推理脚本
from qwen_image import QwenImagePipeline
pipe = QwenImagePipeline.from_pretrained("Qwen/Qwen-Image-2512", torch_dtype=torch.bfloat16)
文字渲染：中文海报谁更强
ERNIE-Image 的招牌就是"海报、漫画、多语言排版"，LongText-Bench 开源第一的成绩单摆在那里。实测社区反馈也一致：长文本、密集排版、中英混排，ERNIE 更稳。Qwen-2512 这一代把文字渲染从"能出字"推进到"版式更合理、图文组合更忠实"，官方示例里连带时间轴的 PPT 幻灯片都能一张生成。
对设计师来说，中文海报、电商 Banner、信息图这类"文字即主体"的场景，两个模型都够用；但追求长段落高可读性时，ERNIE 的 LongText-Bench 领先优势是实打实的。
写实细节：Qwen 的主场
Qwen-Image-2512 这一代的升级重点全在"真实感"：人像皮肤纹理、发丝细节、水流与 foliage 的层次。官方对比图里，同样的提示词，2512 版本的人脸明显更接近照片，背景物体的质感也更扎实。
ERNIE-Image 的写实能力不弱——8B 参数在 GenEval 拿下开源第一——但它的设计重心是"结构化生成"，写实人像并非主打。要拍"照片级"作品，Qwen-2512 的底子更厚。
编辑能力：一边有，一边等
这里出现了 2026 年最尴尬的对比：Qwen 的编辑模型 Qwen-Image-Edit 早已开源（Apache 2.0），在 Arena 图像编辑榜以 1241 Elo 排开源第一，支持文字编辑、风格迁移、视角旋转甚至多图编辑；而 ERNIE-Image 的官方编辑模型至今未发布，社区从四月等到八月。
对需要"生成 + 编辑"完整工作流的用户，Qwen 全家桶现在就能闭环；ERNIE 用户只能靠 img2img + 遮罩的变通方案撑场。
生态与许可：都是 Apache 2.0
许可层面两者完全一致——Apache 2.0，商用零限制，这在国内开源模型里是最高规格。生态上 Qwen 出道早、教程多；ERNIE 后发但铺得快：CivitAI 官方 LoRA 训练、AMD Day-0 支持、Intel OpenVINO、Krita 插件，半年内把主流平台走了一遍。
选型建议：按需求站队
- 显存有限、想本地跑：ERNIE-Image，24GB 起步，Turbo 版 8 步出图
- 追求照片级写实：Qwen-Image-2512，20B 的细节上限更高
- 中文长文本排版：ERNIE-Image，LongText-Bench 开源第一
- 需要原生编辑能力：Qwen-Image-Edit，唯一开源的完整编辑方案
- 商用落地：两者皆可，Apache 2.0 无法律摩擦
百度用 8B 证明"小模型也能打"，阿里用 20B 守住"大模型的上限"。这场对决没有输家——开源社区才是最大的赢家。