图像生成早已裂成两阵营：一边是闭源巨模型，按次租用；一边是小开源模型，一旦要求文字可读就翻车。百度说它的新开源版本在不依赖数据中心显卡的前提下缩小了这道鸿沟，而且把权重直接送了出去。
2026 年 4 月 15 日，百度文心团队开源了 ERNIE-Image，一个基于单流 Diffusion Transformer（DiT）、含 80 亿 DiT 参数的文生图模型。权重与推理代码以 Apache 2.0 许可发布在 Hugging Face。它的卖点不是“更好看”，而是“更可控”：准确的文字渲染、干净的版式、结构化构图——正是开源模型历史上最常搞砸的地方。
它强在哪
ERNIE-Image 是百度推出的开源文生图基础模型，采用潜扩散、单流 DiT 架构，DiT 参数为 8B，并配有一个轻量 Prompt Enhancer（提示词增强器），能把简短输入扩写成结构化描述。百度称其在多个基准上位居开源文生图模型前列，并可在 24GB 显存的消费级显卡上运行。一个 Turbo 变体（ERNIE-Image-Turbo）借助 DMD 与强化学习把推理步数从约 50 步压到约 8 步。其优势区集中在海报与版式设计、动漫分镜、多格构图，以及中英等多语言文字渲染。
为什么是“可控”而非“好看”
多数图像模型对比都盯着美学分，百度却指向别处：模型被记录的优势，恰好是阻碍真实生产的失效模式——密集、对版式敏感的文字（海报、标注、漫画对白）以及多对象关系。一张标题放错位置、中文说明渲染成乱码的海报，背景再美也毫无用处。ERNIE-Image 的提示词增强器给模型喂入更丰富、结构化的描述，使其拥有的信息多于三五个词。
在百度自己的基准表（GenEval、OneIG-EN、OneIG-ZH、LongTextBench）上，该模型位于开源权重列的顶部附近，仅落后于少数更大或闭源的系统。在 2026 年 4 月 SuperCLUE 中文文生图评测中，模型得分 76.37，实验室称其为国内开源模型第一。
在桌面上跑起来
8B 参数是刻意做小的。百度称模型可在 24GB 消费级显卡运行，把高质量图像生成从云账单拉回到一间实验室或一家小工作室的承受范围。Turbo 变体以部分保真度换取速度（约 8 步而非 50 步），对任何等待每次渲染的交互式设计工具都关键。
它会出现在哪
模型为“有结构”的任务而生：海报、漫画/动画分镜、多格表情包，以及必须承载真实文字的视觉复杂图像。这与短剧制作、电商、教育内容高度重叠，因为这些场景里中英标签必须清晰可读。百度还提到更广泛的风格覆盖，包括更柔和的电影感，而非许多模型趋同的高饱和“AI 味”。
开源图像赛道的一条分水岭
ERNIE-Image 进入的是一个已经拥挤的开源图像战场，真正的分水岭不再是“会不会画”，而是“能不能放进生产管线里被信任”。中国的工作室早已把开源权重用在短剧（短剧）静帧、电商 banner、教育示意图上，而一个能在 8B 规模把中文文字渲染清楚的模型，直接改写了这些工作流的成本曲线。对采用者来说，最大的风险是过度信任：一个多半时候写对说明文字的开源模型，仍可能在生僻字或品牌名上翻车，因此人工复核仍应是任何生产环节的标配。百度把参数做小，恰恰让这条复核回路便宜到可以持续运行，而不是只在交付前做一次。
诚实的局限
“开源权重中领先”的基准说法来自百度自家的榜单；未在两家权威源上确认其与最新闭源模型的独立头对头结果，因此该表述请按厂商定位理解。模型声明用于非商业个人衍生创作，商用需留意许可与平台政策。作为图像模型，它在文字与版式上优于多数开源同侪，但仍非专业设计软件的替代品，且在部分维度上写实保真仍落后于最大的闭源系统。
普通人现在能做什么
- 在百度 Hugging Face 仓库取 ERNIE-Image，于 24GB 显卡上实测其文字渲染与海报版式声称，对照你自己的提示词。
- 若看重延迟，把 ERNIE-Image-Turbo 的 8 步输出与基座模型对比，为你的工作流决定“速度换质量”的取舍。
- 若你在做中文或中英双语设计工具，可把这套开源权重当作本地、合规的替代方案，而非每次渲染都调用闭源图像 API。