百度开源 ERNIE-Image：8B 参数打败一众大模型，文本渲染能力炸裂

百度这次真的低调做了件大事。

今天，百度 ERNIE-Image 团队正式开源了文本生成图像模型 ERNIE-Image，这个模型只有 8B 参数，但在多个权威基准测试中的表现，已经达到甚至超越了参数量更大的开源模型。

更绝的是，它在文本渲染这个公认的难题上，表现炸裂——无论是海报、信息图、UI 界面，还是长篇幅的文字排版，都能精准生成。

先看这组数字：

• GenEval 总分 0.8856，单物体生成和属性绑定表现最优
• LongTextBench 中英文均超 0.96，文本渲染能力碾压同类模型
• 24GB 显存即可运行，消费级 GPU 就能部署
• 8 步推理（Turbo 版本）即可生成高质量图像
• 已在 Hugging Face 开源，支持 Diffusers、SGLang 等主流框架

什么概念？这意味着一个紧凑的 8B 模型，在文本渲染、指令遵循、结构化生成等关键能力上，已经可以和那些动辄几十 B 参数的大模型掰手腕了。

为什么 8B 参数能打败大模型？

核心架构：单流 DiT + Prompt Enhancer

ERNIE-Image 的核心是一个单流 Diffusion Transformer (DiT) 架构，配合一个轻量级的 Prompt Enhancer（提示词增强器）。

组件	作用	特点
单流 DiT	图像生成主体	仅 8B 参数，高效紧凑
Prompt Enhancer	提示词扩展	将简短输入扩展为结构化描述

这个设计的巧妙之处在于：用轻量级的 Prompt Enhancer 来弥补小模型在理解复杂提示词上的不足，让 8B 的 DiT 可以专注于图像生成本身。

结果就是：小模型 + 智能增强 = 大模型级别的性能。

双版本策略：质量 vs 速度

百度同时发布了两个版本，满足不同场景需求：

版本	优化方向	推理步数	CFG	适用场景
ERNIE-Image	通用能力 + 指令保真度	50 步	4.0	高质量生成，对细节要求高
ERNIE-Image-Turbo	速度 + 美学	8 步	1.0	快速生成，实时应用

Turbo 版本通过 DMD（Diffusion Model Distillation）和强化学习优化，将推理步数从 50 步压缩到 8 步，速度提升 6 倍以上，同时保持高质量输出。

基准测试：全面碾压

GenEval：指令遵循能力最强

GenEval 是评估文生图模型指令遵循能力的权威基准，涵盖单物体、多物体、计数、颜色、位置、属性绑定等多个维度。

模型	单物体	双物体	计数	颜色	位置	属性绑定	总分
ERNIE-Image (w/o PE)	1.0000	0.9596	0.7781	0.9282	0.8550	0.7925	0.8856
ERNIE-Image (w/ PE)	0.9906	0.9596	0.8187	0.8830	0.8625	0.7225	0.8728
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
Z-Image	1.0000	0.9400	0.7800	0.9300	0.6200	0.7700	0.8400

关键发现：

• 单物体生成满分，说明基础生成能力扎实
• 属性绑定 0.7925，在复杂场景下的指令理解能力最强
• 总分 0.8856，全面领先同类开源模型

LongTextBench：文本渲染之王

LongTextBench 专门测试模型在长文本、密集文字场景下的渲染能力，这是文生图模型的公认难题。

模型	英文	中文	平均
Seedream 4.5	0.9890	0.9873	0.9882
ERNIE-Image (w/ PE)	0.9804	0.9661	0.9733
GLM-Image	0.9524	0.9788	0.9656
ERNIE-Image-Turbo (w/ PE)	0.9675	0.9636	0.9655
Qwen-Image	0.9430	0.9460	0.9445
Z-Image	0.9350	0.9360	0.9355
FLUX.2-klein-9B	0.8642	0.2183	0.5413

关键发现：

• 中英文均超 0.96，文本渲染能力仅次于 Seedream 4.5
• FLUX.2 在中文场景下崩溃（0.2183），而 ERNIE-Image 保持稳定
• Turbo 版本依然保持 0.9655 的高分，速度和质量兼得

OneIG：综合能力评估

OneIG 是一个综合性基准，评估对齐、文本、推理、风格、多样性等多个维度。

OneIG-EN（英文场景）

模型	对齐	文本	推理	风格	多样性	总分
Nano Banana 2.0	0.8880	0.9440	0.3340	0.4810	0.2450	0.5780
Seedream 4.5	0.8910	0.9980	0.3500	0.4340	0.2070	0.5760
ERNIE-Image (w/ PE)	0.8678	0.9788	0.3566	0.4309	0.2411	0.5750
ERNIE-Image-Turbo (w/ PE)	0.8676	0.9666	0.3537	0.4191	0.2212	0.5656

OneIG-ZH（中文场景）

模型	对齐	文本	推理	风格	多样性	总分
Nano Banana 2.0	0.8430	0.9830	0.3110	0.4610	0.2360	0.5670
ERNIE-Image (w/ PE)	0.8299	0.9539	0.3056	0.4342	0.2478	0.5543
Qwen-Image	0.8250	0.9630	0.2670	0.4050	0.2790	0.5480
ERNIE-Image-Turbo (w/ PE)	0.8258	0.9386	0.3043	0.4208	0.2281	0.5435

关键发现：

• 推理能力最强（0.3566），能理解复杂的逻辑关系
• 中英文表现均衡，没有明显短板
• Turbo 版本性能损失极小，实用性极强

五大核心优势

1. 文本渲染：海报、信息图、UI 界面的最佳选择

ERNIE-Image 在密集、长篇幅、布局敏感的文本生成任务中表现优异，特别适合：

• 海报设计：多行文字、复杂排版
• 信息图：数据可视化 + 文字说明
• UI 界面：按钮、标签、菜单等文字元素
• 漫画分镜：对话框、旁白、音效文字

2. 指令遵循：理解复杂提示词

能够准确理解包含多个物体、详细关系、知识密集型描述的提示词，例如：

• “一个穿着红色连衣裙的女孩站在蓝色汽车旁边，手里拿着黄色气球"
• "一张桌面端浏览器网页界面的截图，顶部是标准的浏览器外框区域…“

3. 结构化生成：多面板、分镜、网格布局

在结构化视觉任务中表现出色：

• 海报：标题 + 正文 + 装饰元素
• 漫画：多格分镜 + 对话框
• 表情包合集：网格布局 + 文字标注
• 信息图表：图表 + 数据 + 说明文字

4. 风格覆盖：写实、设计、风格化

支持多种视觉风格：

• 写实摄影：自然光影、真实质感
• 设计导向：扁平插画、矢量风格
• 风格化美学：二次元、手绘、复古等

5. 部署门槛低：24GB 显存即可

配置需求	说明
显存	24GB（RTX 3090 / 4090 级别）
推理速度	标准版 50 步，Turbo 版 8 步
部署方式	Diffusers、SGLang、ComfyUI

消费级 GPU 就能跑，不需要昂贵的企业级硬件。

Prompt Enhancer：小模型的「外挂」

工作原理

Prompt Enhancer 是一个轻量级的语言模型，作用是将用户简短的输入扩展为更丰富的结构化描述。

输入	输出
”一只黑白相间的中华田园犬"	"一只黑白相间的中华田园犬，毛色分明，黑色的耳朵和背部，白色的胸部和四肢，眼神机警，站在草地上，阳光洒在身上…”

两种部署方式

方式 1：内置 PE（简单快速）

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

image = pipe(
    prompt="一只黑白相间的中华田园犬",
    use_pe=True  # 启用 Prompt Enhancer
).images[0]

方式 2：独立部署 PE（性能优化）

将 PE 和 DiT 分别部署，PE 使用 vLLM 加速，DiT 使用 SGLang 推理，适合高并发场景。

# 部署 PE（vLLM）
vllm serve ./ernie_image_pe --port 8888

# 部署 DiT（SGLang）
sglang serve --model-path baidu/ERNIE-Image-Turbo

性能对比

配置	GenEval	OneIG-EN	LongTextBench
w/ PE	0.8728	0.5750	0.9733
w/o PE	0.8856	0.5537	0.9636

关键发现：

• 有 PE 时推理能力更强（OneIG-EN: 0.5750 vs 0.5537）
• 无 PE 时基础生成能力更强（GenEval: 0.8856 vs 0.8728）
• 用户可根据场景选择是否启用 PE

开源生态：开箱即用

支持的框架和工具

工具	说明	链接
Diffusers	Hugging Face 官方推理库	文档
SGLang	高性能推理服务	文档
ComfyUI	可视化工作流	模板
Unsloth	GGUF 量化支持	文档
AI-Toolkit	微调工具	文档

快速上手

Diffusers（推荐新手）

import torch
from diffusers import ErnieImagePipeline

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

image = pipe(
    prompt="一只黑白相间的中华田园犬",
    height=1024,
    width=1024,
    num_inference_steps=8,  # Turbo 版本用 8 步
    guidance_scale=1.0,     # Turbo 版本用 1.0
    use_pe=True
).images[0]

image.save("output.png")

SGLang（推荐生产环境）

# 启动服务
sglang serve --model-path baidu/ERNIE-Image-Turbo

# 发送请求
curl -X POST http://localhost:30000/generate \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "一只黑白相间的中华田园犬",
    "height": 1024,
    "width": 1024,
    "num_inference_steps": 8,
    "guidance_scale": 1.0
  }' \
  --output output.png

应用场景：谁能用？怎么用？

场景	适用对象	核心价值
内容创作	自媒体、设计师	快速生成海报、配图、表情包
电商设计	电商运营、美工	商品海报、促销图、详情页配图
UI 设计	产品经理、UI 设计师	快速原型、界面 mockup
教育出版	教师、出版社	教材插图、信息图表
游戏开发	独立游戏开发者	概念图、场景设计、角色设定
短视频制作	视频创作者	封面图、字幕卡片、转场动画

与竞品对比：8B 打败 9B+

模型	参数量	GenEval	LongTextBench	显存需求	开源
ERNIE-Image	8B	0.8856	0.9733	24GB	✅
FLUX.2-klein	9B	0.8481	0.5413	24GB+	✅
Qwen-Image	未知	0.8683	0.9445	未知	✅
Z-Image	未知	0.8400	0.9355	未知	✅
Seedream 4.5	未知	0.5760	0.9882	未知	❌

关键发现：

• 8B 参数达到 9B+ 模型的性能
• 文本渲染能力仅次于闭源的 Seedream 4.5
• 综合性能全面领先同类开源模型

写在最后：小而美的胜利

ERNIE-Image 的发布，证明了一个重要的事实：模型不是越大越好，架构设计和训练策略同样重要。

8B 参数 + 智能 Prompt Enhancer，就能达到甚至超越更大模型的性能，这对整个行业都是一个重要的启示。

更重要的是，24GB 显存的部署门槛，让更多开发者和创作者能够用上高质量的文生图模型，而不是被昂贵的硬件成本拒之门外。

百度这次真的低调做了件大事——不仅开源了模型，还提供了完整的工具链支持，从 Diffusers 到 SGLang，从 ComfyUI 到微调工具，开发者可以直接上手，不用等。

AI 文生图的「小而美」时代，已经到来了。

---

相关链接：

• GitHub 仓库：https://github.com/baidu/ERNIE-Image
• Hugging Face 模型：https://huggingface.co/Baidu/ERNIE-Image
• Hugging Face Turbo 模型：https://huggingface.co/Baidu/ERNIE-Image-Turbo
• 在线 Demo：https://huggingface.co/spaces/baidu/ERNIE-Image
• 官方博客：https://yiyan.baidu.com/blog/posts/ernie-image