ERNIE-Image 对决 HiDream-O1-Image：8B 像素原生 vs 8B 潜空间，两种开源路线的正面交锋

开源文生图走到 2026 年年中，出现了一个有趣的岔路口。一边是百度 ERNIE-Image 代表的"潜空间 DiT"路线：VAE 把图像压缩成小尺寸潜变量，扩散 Transformer 在压缩后的空间里工作，最后再解码回像素。另一边是 HiDream-O1-Image 代表的"像素原生"路线：直接对原始像素做扩散，连 VAE 和外部文本编码器都不要了。两条路线都是 8B 参数、都全开源、都能免费商用，但底层哲学截然不同。

这两款模型的先后发布只隔了三周（ERNIE-Image 4 月 14 日、HiDream-O1-Image 5 月 8 日），却在架构、协议、能力边界上给出了完全不同的答案。这篇文章把两者放在同一张桌上，从架构、文字渲染、组合生成、编辑能力、部署门槛五个维度做一次完整横评。

ERNIE-Image 官方展示图

架构之争

ERNIE-Image 用的是业界最成熟的配方：单流 Diffusion Transformer，8B DiT 参数，配一个 3B 的 Prompt Enhancer。图像先被 VAE 压缩，扩散过程在潜空间完成。这个方案的好处是计算量小——扩散只发生在 1/64 空间分辨率上，24GB 显存的消费级显卡就能跑。

HiDream-O1-Image 走了一条更激进的路。它的 Pixel-level Unified Transformer（UiT）把像素 patch、文本 token、任务条件全部塞进同一个序列里，不做任何压缩。没有 VAE，意味着没有编码-解码的往返损耗；没有外部文本编码器，意味着文本和图像在同一套注意力机制里对齐。代价是每个 token 的计算量更大，官方用稀疏化和预定义时间步调度来补偿，Dev 版 28 步、CFG 0.0 即可收敛。

HiDream-O1-Image 通用生成展示

协议与许可

两款模型都允许商用，但宽松程度不同。ERNIE-Image 是 Apache-2.0，HiDream-O1-Image 是 MIT——MIT 更短更宽松，没有任何附加条款，改代码、闭源、再分发都不受限。对要把模型嵌进商业产品的团队来说，MIT 是"零顾虑"的选择；Apache-2.0 则多了明确的专利授权条款。实际使用中差异不大，但协议细节值得企业法务扫一眼。

文字渲染

文字渲染是这两款模型共同的强项，也是它们拉开与老一代模型差距的地方。在 LongText-Bench 上，HiDream-O1-Image 拿到 0.979（英文）/ 0.978（中文），ERNIE-Image 开 PE 时是 0.9804（英文）/ 0.9661（中文），平均 0.9733。两边的英文长文本渲染几乎打平，中文则是 HiDream 略占上风。

HiDream-O1-Image 文字版式渲染

值得注意的是 HiDream 的 CVTG-2K 得分 0.9128，这个基准专门测试 2-5 个文字区域同时出现的复杂版面——海报、信息图、多格漫画这类场景。像素原生架构在"多个文字块 + 精确位置"的组合下确实有结构优势。

组合生成

组合生成测试的是模型能不能把多个对象、颜色、数量、位置关系一次性画对。GenEval 总分上，HiDream-O1-Image 0.90 略胜 ERNIE-Image 的 0.8856（关 PE 时）。有意思的是，ERNIE-Image 关掉 Prompt Enhancer 反而更准（0.8856 vs 0.8728）——PE 会改写提示词，改写过程可能丢掉精确的绑定关系。

HiDream-O1-Image 编辑能力示例

编辑能力

这是差距最大的一项。HiDream-O1-Image 把文生图、指令编辑、主体个性化做进了同一套权重，GEdit 得分 7.60，与 16.8B 的 FLUX.1 Kontext、27B 的 Qwen-Image-Edit 相当。改墙壁材质、换灯光时间、替换家具，都能保持原有构图不变。

ERNIE-Image 这边，官方编辑模型截至 8 月仍未发布，社区只能靠 Qwen-Image-Edit 或 FLUX Kontext 组合出编辑管线。如果你需要开箱即用的编辑能力，HiDream 目前是更完整的答案；如果你接受"生成用 ERNIE + 编辑用别的模型"的组合方案，影响也可控。

上手指南

部署门槛上两者非常接近：ERNIE-Image 需要约 24GB 显存，HiDream-O1-Image 完整版约 20GB，官方推荐 A100/H100。都支持 Diffusers，ComfyUI 社区也都有现成工作流。

速度上 ERNIE-Image 有优势——Turbo 版只要 8 步、CFG 1.0，是当前最快的 8B 级开源模型之一；HiDream 的 Dev 蒸馏版需要 28 步。批量出图场景选 ERNIE Turbo，追求单张精修和编辑能力选 HiDream。

生态成熟度则是 ERNIE-Image 明显更广：SGLang、Unsloth GGUF 量化、OneTrainer、fal.ai、Replicate、SiliconFlow 都有现成支持；HiDream 目前主要靠官方仓库和 HF Space，第三方服务还在跟进中。

HiDream-O1-Image 榜单表现

怎么选

一句话总结：要速度、要生态、要中文长文本，选 ERNIE-Image；要原生编辑、要像素级细节、要 MIT 零约束，选 HiDream-O1-Image。

具体场景建议：电商海报和漫画分镜这类"内容准确性优先"的任务，两者都合格，ERNIE 的生态能让你更快落地；影视概念设计和角色一致性工作流，HiDream 的原生编辑 + 主体个性化是更省事的方案；纯批量出图拼速度，ERNIE-Image-Turbo 没有对手。

两款模型的存在本身比胜负更有意义——它们证明了 8B 这个量级已经能同时满足"开源、商用、高质量"三个条件，也证明了通往高质量的路不止一条。潜空间和像素原生，接下来一年会持续碰撞出更多答案。