ERNIE-Image 8B 开源发布：参数效率与多语言文字渲染能力评测

百度文心大模型团队近日开源了 ERNIE-Image，这是一款8B 参数的单流 DiT（Diffusion Transformer）文生图模型。尽管参数量在开源模型中仅处中游，但凭借出色的训练质量和提示词增强机制，ERNIE-Image 在文字渲染、复杂指令遵循、结构化生成等关键指标上表现优异，部分场景下效果逼近 NanoBanana 2.0、Seedream 4.5 等顶级商业模型。

核心定位与架构

特性	说明
模型名称	ERNIE-Image (8B参数) & ERNIE-Image Turbo
架构	单流 DiT (Diffusion Transformer) + 潜在扩散 LDM 框架
硬件门槛	仅需 24GB VRAM 即可部署，Turbo版支持 8步推理 生成高保真图像
核心定位	消费级显卡友好，在指令遵循、文字渲染、结构化生成上全面领先开源模型

核心特性

小模型，强性能

ERNIE-Image 在主流评测中登顶开源第一，参数效率极高。GenEval（组合生成）得分 0.8856，LongTextBench（长文本渲染）得分 0.9733，均位居前列。

精准文字渲染

高密度/长文本/版式敏感任务稳定，支持中英多语言，适合海报、信息图、UI类图像。在 OneIG-ZH（中文开放域）测试中得分 0.5543，逼近闭源顶尖水平。

复杂指令跟随

精准理解多主体关系、细节约束与知识密集型 Prompt，在处理含多个对象、空间关系和复杂构图的场景时表现稳定。

结构化生成突出

海报、漫画分镜、故事板、多面板布局逻辑保持极佳，是其在视觉创作领域的独特优势。

多元风格覆盖

写实摄影、动漫二次元、胶片、超现实主义、剪影、老照片、电影感等，均能良好表达。

评测表现（Benchmark）

基准测试	开源排名	得分	核心优势
GenEval (组合生成)	第1名	0.8856	全面领先开源模型
OneIG-ZH (中文开放域)	第2名	0.5543	逼近闭源顶尖水平
LongTextBench (长文本渲染)	第2名	0.9733	中英文长文本渲染核心优势
OneIG-EN (英文开放域)	第3名	0.5750	多语言生成竞争力强

提示词增强器（Prompt Enhancer）

机制：内置 3B 参数轻量级 Prompt Enhancer（PE），基于 Ministral 微调，自动将简短输入扩展为详细、结构化的 Prompt，不改变用户意图，但大幅提升模型潜力发挥。

为什么需要 PE？ 用户通常输入简短句子，但模型对短提示会进行字面解读，导致布局混乱、文本错误、缺乏叙事连贯性。

最佳场景：海报、动漫、网页布局、游戏截图等结构化视觉任务。使用外部更强 LLM（如 Gemini）作为 PE 可以进一步提升效果。

推理部署

1. Diffusers（HuggingFace）

import torch
from diffusers import ErnieImagePipeline

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

image = pipe(
    prompt="这是一张呈现城市街道场景的摄影作品...",
    height=1264,
    width=848,
    num_inference_steps=8,
    guidance_scale=1.0,
    use_pe=True
).images[0]
image.save("output.png")

2. SGLang（API 服务）

git clone https://github.com/sgl-project/sglang.git
sglang serve --model-path baidu/ERNIE-Image-Turbo

3. DiffSynth-Studio（低显存优化）

优势：自动显存管理，最低 3GB VRAM 即可运行。

LoRA 微调训练

支持通过 DiffSynth-Studio 进行文生图 LoRA 训练与验证，详细训练命令和验证流程参见官方文档。

核心结论

ERNIE-Image 证明了 8B 参数模型可以在文字渲染、复杂指令跟随、结构化生成和多元风格表达上与更大规模模型竞争，同时保持消费级硬件可部署的实用性。

开源的 ERNIE-Image 与 Turbo 版本为研究、开发与创意应用提供了高效、低门槛、高可控的基础工具，特别适合对文字精度与版面结构有强要求的商业化场景。