bandao.com-HiDream

雷峰网讯 “8B 开源版是一扇窗，真实的风光还有于 200B＋ 参数的 Pro 版本以后。”

智象将来 HiDream-O1-Image 开源版（8B）发布以后，我于测评末了留下了如许一句判定。前者以 Peanut 匿名登上 AA 榜、拿下文生图开源模子全世界第一的业绩犹于面前，今天 1.5 闭源版本又及公家晤面了。

珠玉于前，HiDream-O1-Image-1.5 可以说是备受瞩目，而智象将来的官方口径很年夜水平上回应了这类期待：“持续登顶不仅印证了智象将来于图象天生年夜模子上的硬核实力，更标记着公司已经稳居全世界视觉天生年夜模子的第一梯队”。

看过 1.5 版本于 Artificial Analysis 榜单上的成就，你就知道这不是一句废话。已经跃升至文生图模子排名的第3位，逾越了Google的Nano Banana 2，仅次在OpenAI的两款模子。它与排名第二的GPT-Image 1.5综合评分差距仅有1分，揭示了强劲的竞争力。

此前于 HiDream-O1-Image 上初露锋铓的 UiT 架构，也于新版本中继承年夜放异彩。

但今天咱们不聊榜单，1.5 版本提出了两个更值患上体贴的问题是，一个图象模子到底需不需要“先想再画”？以和砍失 VAE 这件事到底转变了文生图的甚么底层逻辑？

01

八维评测拆解：繁杂 Prompt 下的真实上风

Google Nano Banana 曾经经是文生图赛道最有存于感的选手，不碰一下，其实欠好意思给本身加冕新王。

HiDream-O1-Image-1.5 的零丁展示已经经没甚么意义，我此次把它及 Nana Banana 2 放于了统一条起跑线上，用彻底不异的 prompt 做三组盲测。

为了避免让评价酿成“我感觉都雅”这类无法对于焦的空话，我把图象模子能力拆成为了八个维度：

▪Prompt 遵照度：可否正确履行文字指令要求

▪构图能力：镜头构造及视觉重心

▪摄影语言理解：景深、核心、镜头参数等观点

▪材质体现：如光影、反射、纹理等

▪细节正确性：文字、布局、生物剖解等硬指标

▪气氛塑造：情绪与情况营建

▪主体设计能力：自由阐扬环境下，主体体现力的高级水平

▪以和贸易完成度：能不克不及直接用

测试竣事后我拿到了六份天生成果，但我隐去了它们别离出自谁手。你可以于浏览历程中先猜猜，看看判定及本相是否一致。

第一组测试是天生一张白酒产物图。

Prompt：一张高端中国白酒的豪华电商海报。正中心耸立着一个纯净半透明的羊脂玉瓷瓶。于瓶身的曲面上直接浮雕着一首八句中文古诗——崔颢的《黄鹤楼》。镌刻的文字内部镶嵌着精美闪耀的金箔。酒瓶放置于一块粗拙的黑板岩上，半浸于清亮见底的浅池塘中，水面泛动着柔及的齐心涟漪。焦散光影于瓶底跳跃。配景有微型盆景松树及薄雾。边沿轮廓光，贸易产物摄影。

1.1

1.1 的第一印象很冷艳，这就是豪侈品告白的画风，玉瓷材质的光泽及水面效果也很到位，让人感觉下一帧就要切到觥筹交错的商务宴请上。

但文生图模子最怕细看，假如你盯着瓶身上的文字，问题就出来了。古诗严峻过错是最较着的，浮雕的条理感也恍惚成一片。它于视觉创造力及材质体现上险些满分，但细节正确性其实不敷看。而细节偏偏是这组 prompt 存眷的重点。都雅、写字切确，1.1 于第一条上做到了极致，但于第二条上险些抛却了。

1.2

与之相对于，1.2 于繁杂中文文字衬着上的上风就越发凸起。你可以看到《黄鹤楼》的全诗被比力完备地出现，文字摆列也更靠近真实产物包装上的竖排中文视觉效果，最直不雅的感触感染就是更可读、内容瓜葛更较着。

诗词全文的出现，也许是一种相对于少见的需求，但它素质上是产物告白图这种场景对于信息正确性的压力测试。比拟 1.1 中文字呈现的较着庞杂、反复、错字及语义断裂，1.2 的不变出现已经经超过了落地的鸿沟，于此之上才有会商视觉效果的空间。于这一维度上，1.2 一样不使人掉望，玉瓷瓶体、浮雕文字、金色装饰、瓶身高光的塑造都审美于线。

第二组测试是天生一张小猫于花圃里的照片。提醒词用英文写成，原文和翻译以下：

prompt：An adorable, candid photograph of a curious kitten exploring lush green gardens, with oversized flowers and foliage creating a whimsical fairy-tale atmosphere.

翻译：一张可爱而天然抓拍的照片：一只布满好奇心的小猫正于郁郁葱葱的绿色花圃中摸索，周围硕年夜而繁盛的花朵与枝叶营建出梦幻般的童话瑶池气氛。

2.1

2.1 于这组里的体现颇有趣。它完善还有原了 oversized flowers 的视觉打击，对于花朵巨年夜、色采饱及、童话气氛这些画面元素的掌握，都无师自通。此外光影处置惩罚也很棒，阳光穿过叶片的方式有真实摄影感。

要说有甚么问题，就是小猫及情况没甚么交互，不要说摆弄花卉，它甚至不像于看路，眼神结壮患上像于本身窝里。别的，作为主体的小猫于画面里也相对于偏小，视觉中央轻易被年夜叶片及花丛分离，存于感稍弱一些。

2.2

2.2 的主体辨识度就强上很多，天生的小猫眼神、姿态及身体布局清楚，“curious kitten”的好奇感跃然其上。此外小猫脸部核心明确，五官、毛发、四肢瓜葛也更天然，保留了真实动物摄影的质感。

总体构图上，2.2 于画面右边同时保留了放年夜的花朵、蘑菇、绿色植物等童话元素，但没有让情况压过主体。这类对于主体清楚及气氛营建举行弃取以后获得的均衡，也是一年夜亮点。

第三组测试，我筹算设计点揭示模子创造力的。科幻题材是个不错的选择，我让两款模子别离天生了一个赛博格接管审判的画面。

prompt：于一个灯光暗淡、烟雾洋溢的审判室里，一张过肩镜头(OTS)影戏剧照。远景左边三分之一是侦察肩膀及侧脸的严峻掉焦剪影。核心锁定于配景中坐于金属桌对于面的嫌疑人——一个疲劳的赛博格，拥有发光的红色光学植入物，被头顶摇摆的耀眼聚光灯照亮。极浅的景深于恍惚远景及锐利的嫌疑人脸部之间形成强烈光学分散。85妹妹 镜头，f/1.4 年夜光圈。

3.1

3.1 于这组的体现最平衡。OTS 镜头角度尺度，远景虚化到位，景深节制正确，摄影语言理解上这已经经时满分的程度。一样值患上一提的是审判室的气氛感及灯光效果也能看出是颠末设计的，于物理正确性以外，也很好地阐扬了叙事功效。你能看出这是一个审判场景，知道谁是权利方。

3.2

3.2 的体现也难分昆季。远景人物虚化形成榨取感，核心集中于嫌疑人身上，画面叙事瓜葛清楚，一样一个 OTS 镜头拍出了影戏级的质感。

值患上留意的是，Prompt 明确要求 85妹妹、f/1.四、年夜光圈、极浅景深。3.2 的输出更较着地表现了远景虚化及配景主体清楚的光学分散，这申明模子不仅辨认要害词，还有能把镜头参数转化为画面效果。

这对于在影视分镜、告白片预演、观点视觉天生很是要害。

另外一个亮点是主体设计。此前 3.1 的赛博格设计偏守旧，机械细节不敷富厚，只是意味性地于人体上加了几处发光物。而 3.2 中的赛博格则有着更富厚的机械细节、更具质感的光学植入物。这类对于主体的夸大及凸起好像及上一个使命中的小猫一脉相承，模子可以或许理解画面的重点、叙事的中央于哪里。

那末回到本节开首的问题，作者是谁？

此前每一组的第一张是 Nano Banana 2，第二张则是 HiDream-O1-Image-1.5 的作品。

到此为止，两款模子的能力画像都变患上逐渐清楚。

于开放审美使命中，两者都已经到达很高水准。但当评测尺度从主不雅都雅转向正确、不变、可交付，HiDream 的上风会更清楚。

Nano Banana 2 像一个艺术家，懂摄影语言，构图能力于线，偶然还有能自动阐扬一下创意，这些能力配合塑造了其作品中恰如其分的气氛感。

但错误谬误也于捉摸不定的创意上，它给人一种“意译”而非直译 prompt 的觉得，文字类使命的正确率其实不不变。给出一个需求，它会按本身的审美给你一套方案。未必 100% 按描写来的意思是，用抽卡成本互换潜于的欣喜。

而 HiDream-O1-Image-1.5 则是一个工程师，文字理解正确、细节履行严酷、物体真实感高。你说甚么，它就做甚么，交付物毫不堕落。

不外这类能力取向的差别，并无于两款模子之间造成碾压式的差距。于尺度 Benchmark 下，二者整体程度实在很是靠近。HiDream-O1-Image-1.5 及 Nano Banana 2 的对于比做到末了，我体感上不像于测试模子，更像是于测试选型。

02

CoT 推理层：Prompt 及像素之间的翻译

上面三组盲测反应出的一个焦点差异，是模子对于在 prompt 的理解深度。从白酒告白的中文古诗，猫猫花圃对于“curious kitten”的怪异理解，到赛博格审判室对于“一个疲劳的赛博格”的语言约束，1.5的相应更真实，更细节。

这暗地里是HiDream-O1-Image-1.5 所采用的 “先推理、后天生”机制。该机制基在 Ge妹妹a 4 的 Reasoning-Driven Prompt Agent模块，嵌入于天生管线内部，于用户按下天生按钮后、扩散模子最先事情前，先跑一轮思维链。

这跟 ChatGPT 的 system prompt 有素质区分。ChatGPT 的推理层于纯文本空间跑，优化的是“回覆的逻辑一致性”。而 1.5 的 Prompt Agent 做的是从语义到空间的翻译。

假如你做过需要同时节制主体、情况、情绪及构图的繁杂生图使命，就能直不雅感触感染到这个 Agent 于解决甚么痛点。直白地说，之前你需要靠重复调 prompt 撞命运的使命，此刻 HiDream-O1-Image-1.5 于天生以前就会先帮你把画面逻辑理清晰。

赛博格审判室那组对于比最能申明问题。“OTS + 浅景深 + 85妹妹 f/1.4 + 赛博格 + 聚光灯”，这么多高信息密度的指令假如一股脑塞进传统文本编码器，编码器不会主动为这五个约束分配权重，极可能呈现的环境是它会过分存眷“赛博格”而纰漏“OTS镜头”，或者者过分衬着聚光灯效果而丢失“浅景深”的质感。

但HiDream-O1-Image-1.5 的 Agent 于推理阶段就把这五个约束分隔处置惩罚了。镜头语言是 OTS、光学参数是 85妹妹 f/1.四、气氛是聚光灯照明、主体是赛博格，各管各的，末了汇总。

固然，这里有一个主要的条件前提。CoT Agent 解决的是指令理解问题，而很是识贮备。假如 prompt 没提供充足信息让 Agent 推理，它仍旧不会平空天生准确逻辑。假如你只说“水往低处流”，它仍旧没法衬着繁杂的流体变化，Agent 推理能力的界限，就是你 prompt 的信息界限。

03

无 VAE 架构：为何砍失压缩层会利好文字及细节

CoT 解决了“理解”，但还有有一个更底层的改动，注释了为何 HiDream-O1-Image-1.5 的长文本衬着能到达 CVTG-2K 的 0.978，逾越 GPT Image 2 的 0.961，以和为何白酒产物图使命中只有 1.2 把崔颢的《黄鹤楼》从笔划到布局完备还有原了出来。

于 HiDream-O1-Image以前，险些所有主流文生图模子都是拼盘式的：VAE 压缩图象，T5/CLIP 理解文本，DiT 卖力天生。

VAE 的事情方式是把一张 1024×1024 的图编码到一个小患上多的潜空间（latent space），好比压缩 8 倍，于潜空间跑扩散，末了解码回原尺寸。如许做的利益很较着，计较量骤降，64×64 潜空间的扩散比 1024×1024 像素空间快不止一个数目级。

但压缩一定丢信息。而 VAE 丢失的，刚好是文生图场景下最不克不及丢的两类。

第一类是高频细节。 VAE 于频域上偏向保留低频布局（物体轮廓、色块漫衍），压缩高频纹理（边沿锐度、细线、毛发）。这就是 SD 天生的图放年夜看常常有“涂抹感”的缘故原由，问题都没跑到天生环节，由于于解码阶段高频信息就已经经被丢了。

第二类是文字，这是更致命的。文字于图象里是一种极为懦弱的旌旗灯号，它的辨识依靠切确的笔划界限及标的目的。“一”及“丨”只差 90 度的扭转，“士”及“土”只差几个像素的偏移。VAE 压缩对于这种旌旗灯号近乎灾害，压缩到重修的历程中，笔划端点恍惚、拐角圆化、间距偏移险些是必定的。于这里文字“缺胳膊少腿”不是修辞，是 VAE 压缩的一定副作用。

HiDream 的 UiT（像素级同一 Transformer）架构直接砍失了 VAE。所有信息——像素、文本 token、节制前提——映照到统一个 token 空间。没有了“压缩-重修”这个环节，文字旌旗灯号从 prompt 到像素全程于一个空间内流转。

回到三组盲测。白酒产物图最能表现无 VAE 的价值。

1.2 的画面于玉瓷材质的光泽感、焦散光影的锐度、金箔镶嵌的纹理细节上都体现出极高的还有原度。1.1 的构图更斗胆，但于材质锐度及细节密度上较着不如 1.2，部门缘故原由就于在竞品利用的 VAE 压缩削平了一些高频细节，让画面少了那层真什物料的质感。

古诗文字衬着则是更直接的证据。1.1 的古诗彻底写错，其实不是由于它不知道怎么结构，而是 VAE 压缩把中文字符的要害笔划特性粉碎后，扩散历程只能“脑补”出类似文字的纹理，而非可辨识的字体。HiDream-1.5 砍失了 VAE，文字旌旗灯号从 prompt 到像素全程于统一个 token 空间流转，这也是 1.2 能把黄鹤楼全诗完备写出来的底子缘故原由。

于中文场景下，这个问题被进一步放年夜。英文单词靠轮廓也能猜出年夜概，像是“ca_e”及“cake”，但中文单字彻底依靠笔划完备性。前次测 8B 时频仍呈现的“伪汉语”就是这么来的。

HiDream-1.5 的长文本衬着数据，展现了一个相称底层的洞察，那就是想要不变输出可读文字，今朝解法只有两条，要末堆参数目赔偿 VAE 损耗（FLUX 的 56B 线路），要末直接砍失 VAE。

HiDream 选了后者，8B 开源版已经经做到了比肩 56B 的衬着效果，1.5 于此基础上继承推高上限。并且此前 8B 开源版的性价比确凿离谱，于 GenEval、DPG、HPSv3 等多个榜单上，8B 不仅秒杀同量级的 SD3.5 Large，还有越级逆袭了参数目年夜患上多的 Qwen-Image（27B）及 FLUX.2 [Dev]（56B）。原来以为是小模子里的尖子生，成果是直接于跟年夜两个数目级的选手对于打，还有打赢了。

对于想当地部署或者者算力有限的团队，开源 8B 是更务实的选择。消费级显卡就能跑，出图质量不输那些年夜好几倍的模子。闭源的 HiDream-1.5 则合适对于天生效果有更高要求的贸易场景。两条路都摆出来了，按需取用。

04

推理层 + 同一 token space：两个子体系怎么协同

到这里可以回覆一个更内核的问题，为何 CoT 推理及无 VAE 架构必需一路呈现？

分隔看，每一个都有局限。

CoT 推理层能拆繁杂指令、天生空间约束，但若没有不打扣头的通报通道，这些约束于 VAE 压缩环节不免有所丢掉。推理层拆患上再细，天生底座拿到的也是缺损版本。

无 VAE 的 UiT 能忠厚衬着细节，但若 prompt 自己缺乏空间逻辑，它也没有推理能力来补全缺掉的约束。当你说“帮我画一个街景”却不指定透视角度，终极极可能拿到一个忠厚衬着、每个元素零丁看上去都对于，但总体空间逻辑奇希奇怪的街景。

HiDream-1.5 的做法是把两个子体系串成完备链路，CoT Agent 卖力推理及布局化，UiT 卖力不打扣头地履行。

用一个不太严谨但直不雅的类比。

▪传统方案像 source code → 有损压缩 → 二进制，精度于中间环节丢掉

▪1.5 像 source code → 语法阐发及优化（CoT）→ 不加中间层的直接编译（UiT）

还有有一个官方提到但实测没来患上和笼罩的能力。1.5 原生撑持多宫格故事板天生及 15 种以上的影戏级镜头节制，包括特写、全景、俯瞰、低角度……从单张图天生到联贯叙事，这个跨度比参数数字表示的要年夜患上多。从架构道理看，多宫格故事板对于 IP 连结及空间联贯性的要求极高，而这刚好是 1.5 的两个最强项。假如你是做视频预演、告白分镜或者漫画创作的，这个功效值患上及早上手尝尝。

05

未竟的共鸣？

固然，作为一种尚且年青的技能线路，CoT 加无 VAE 的计谋也有其价钱。

一是 CoT 推理的延迟。 Ge妹妹a 4 的推理不是免费的，简朴 prompt 可能只需要几十毫秒，但繁杂提醒词需要的更深条理推理，显然会增长延迟。这是一个无法绕过的弃取，要末捐躯 prompt 门坎，要末捐躯相应速率。

另外一个问题是无 VAE 的效率瓶颈。VAE 的焦点价值是压缩计较量，1024×1024 的图，像素空间的计较量理论上约是 64×64 潜空间的 256 倍。HiDream-1.5 的解法是蒸馏加快，8B 的 DMD+GAN 蒸馏版（DMD 快速采样 + GAN 天生匹敌收集）只需 28 步推理。但蒸馏凡是致使天生多样性降落，对于在这一点，1.5 的详细指标暂未公然。

是以回到最初的问题，文生图的“慢思索”到底有无用？

有效，但方式可能跟你想象的差别。它不是让模子“更智慧”，而是降低从“我想画甚么”到“模子理解我想画甚么”之间的语义损耗。与之相对于地，无 VAE 的 UiT 架构则于试图削减从“理解”到“出现”之间的信息损耗。两条线路合于一路，就是先理解，再无损履行。

六维玫瑰图的数据及三组盲测的成果彼此印证。长文本衬着（中文 0.978 vs GPT Image 2 的 0.961）及 IP 连结上，HiDream-1.5 有着断层级的领先，主体理解精度及空间瓜葛处置惩罚也较着优在同价位竞品。但于综合产物完成度及生态成熟度上，HiDream-1.5仍有不小的发展空间。

SD 生态于 VAE+DiT 线路上堆集深挚，迁徙成本极高。FLUX 堆参数填 VAE 的坑，虽然贵但不转变利用习气。HiDream 改架构省算力，但生态重构是绕不外去的坎。

不外从此前的 8B 版本最先，HiDream 的应答计谋就已经经很清晰。开源 8B 培育社区信托及开发者生态，闭源 1.5 版本面向商用交付。它象征着你可以于 GitHub 上免费下载 8B 跑原型验证，验证经由过程了再进级到 1.5 做出产交付。这类直接利好落地的两步走思绪，比单项技能参数更值患上存眷。

开源版的社区数据左证了这个计谋的可行性。仅发布一天，8B 版本就于 Hugging Face 冲上模子趋向榜第四，今朝 HF 下载超 1 万、ModelScope 超 2 千。更现实的是，它已经经被 WaveSpeedAI 及 fal 两个平台集成上线，用户无需本身部署就能跑。和谈给的是 MIT，贸易可用，对于想拿它做产物的团队来讲是实打实的利好。

VAE 架构因其模块协作之间的信息损耗而深受诟病，但人及模子之间，又未尝不是时刻于履历这类割裂。当图象模子从“天生一张都雅的图”，走向“天生用户真正想要的图”，技能的暗语会于哪里被发明，这是 HiDream-1.5 真正试图回覆的问题。CoT 推理及无 VAE 架构，是今朝看患上见的两个暗语。它们不完善，但它们指向的标的目的，削减语义损耗，削减信息损耗，年夜几率是将来两年图象模子迭代的源动力。

以是要不要用 HiDream-1.5？

这取决在你需要做甚么。假如你常做中文海报、电商图、品牌物料，那末于长文本衬着及多主体连结这两个维度上，当前没有更好的选择。假如你是被 CoT 吸引来的创作者，HiDream-1.5 也简直能降低 prompt 门坎。但你没法期望它读心，用详尽的提醒词把需求说清晰，至少于今朝仍旧须要。假如你是开发者，8B 开源版+MIT 和谈的组合于开源图象模子里性价比最高。

有条件的好用，这是今天模子公司可以或许给出的，最有至心的承诺。

经由过程如下链接体验HiDream-O1-Image-1.5 ：

https://vivago.ai/

https://hiharness.ai/

开源模子HiDream-O1-Image下载地址：

GitHub：https://github.com/HiDream-ai/HiDream-O1-Image

Huggingface：https://huggingface.co/HiDream-ai/HiDream-O1-Image

雷峰网(公家号：雷峰网)文章

雷峰网特约稿件，未经授权禁止转载。详情见转载须知。

-bandao.com