|
雷峰网讯 “8B 开源版仅是新国像生型纪一扇窗，真正的产图成模风景在于 200B+ 参数的 Pro 版本。” 智象未来发布 HiDream-O1-Image 开源版（8B）时，录砍我在测评结语中留下了上述判断。图像彼时，模型该模型以代号 “Peanut” 匿名登顶 AI Art (AA) 榜单，新国像生型纪拿下全球文生图开源模型冠军的产图成模成绩令人瞩目。如今，录砍其 1.5 闭源版本正式亮相，图像再次引发行业高度关注。模型 承前启后，新国像生型纪HiDream-O1-Image-1.5 承载了极高期待。产图成模智象未来的录砍官方回应精准契合了这一预期：“连续登顶不仅印证了我们在图像生成大模型领域的硬核实力，更标志着公司已稳居全球视觉生成大模型第一梯队。图像” 查看 Artificial Analysis 榜单即可验证此言非虚：HiDream-O1-Image-1.5 已跃升至文生图模型综合排名第三位，模型超越 Google 的 Nano Banana 2，仅次于 OpenAI 的两款头部模型。其与排名第二的 GPT-Image 1.5 综合评分差距仅 1 分，竞争力强劲。
此前在 HiDream-O1-Image 初露锋芒的 UiT 架构，在新版本中继续发挥核心作用。 但本文不赘述榜单数据，而是聚焦 1.5 版本提出的两个核心命题：图像模型是否真的需要“先思考后生成”？以及“砍掉 VAE”这一架构变革，究竟如何重构文生图的底层逻辑？
01 八维深度评测：复杂 Prompt 下的真实能力分野Google Nano Banana 曾是文生图赛道最具统治力的选手，若不与之正面交锋，新王的加冕便缺乏说服力。 HiDream-O1-Image-1.5 的单点展示已无新意，本次评测将其与 Nano Banana 2 置于同一基准线，使用完全一致的 Prompt 进行三组盲测。 为避免主观审美干扰，我将图像生成能力拆解为八个量化维度：
测试结束后，我生成了六组结果并隐去来源。请读者在阅读中自行判断，验证直觉与真相的偏差。 第一组测试：高端白酒产品图
Prompt：一张高端中国白酒的奢华电商海报。正中央矗立着一个纯净半透明的羊脂玉瓷瓶。在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》。雕刻的文字内部镶嵌着精致闪烁的金箔。酒瓶放置在一块粗糙的黑板岩上，半浸在清澈见底的浅水池中，水面荡漾着柔和的同心涟漪。焦散光影在瓶底跳跃。背景有微型盆景松树和薄雾。边缘轮廓光，商业产品摄影。 1.1 (Nano Banana 2)1.1 的第一印象极具冲击力，呈现出典型的奢侈品广告质感。玉瓷的光泽与水面效果逼真，仿佛下一秒即可切入商务宴请场景。 然而，文生图模型往往“经不起细看”。若聚焦瓶身文字，问题便暴露无遗：古诗内容严重错误，浮雕层次感模糊。尽管其在视觉创造力和材质表现上近乎满分，但在本次测试的核心指标——细节准确性上表现不佳。1.1 在“好看”上做到了极致，却在“精确”上选择了妥协。
1.2 (HiDream-O1-Image-1.5)相比之下，1.2 在复杂中文文字渲染上展现出显著优势。《黄鹤楼》全诗被完整且准确地呈现，文字排列符合真实产品包装的竖排视觉效果，可读性极强，内容关系清晰。 虽然诗词全文渲染属于小众需求，但它本质上是产品广告图对信息准确性的极限压力测试。相比 1.1 中出现的错乱、重复、错字及语义断裂，1.2 的稳定输出跨越了从“可用”到“商用”的鸿沟。在此基础之上，1.2 同样保持了高水准的审美：玉瓷瓶体、浮雕文字、金色装饰及高光塑造均在线。 第二组测试：花园中的小猫Prompt：An adorable, candid photograph of a curious kitten exploring lush green gardens, with oversized flowers and foliage creating a whimsical fairy-tale atmosphere.
2.1 (Nano Banana 2)2.1 的表现颇具趣味性。它完美还原了 “oversized flowers” 的视觉冲击，对花朵巨大化、高饱和度及童话氛围的把握近乎本能。光影处理出色，阳光穿透叶片的方式具有真实摄影感。 不足之处在于主体与环境的交互缺失。小猫并未与环境产生互动，甚至缺乏探索的姿态，眼神呆滞如居家状态。此外，小猫在画面中占比过小，视觉中心易被巨大的叶片和花丛分散，主体存在感较弱。
2.2 (HiDream-O1-Image-1.5)2.2 的主体辨识度显著提升。生成的小猫眼神灵动、姿态自然、身体结构清晰，“curious kitten” 的好奇感跃然纸上。面部焦点明确，五官、毛发及四肢关系符合真实动物摄影质感。 构图上，2.2 在右侧保留了放大的花朵、蘑菇等童话元素，但成功避免了环境喧宾夺主。这种在主体清晰度与氛围营造之间取得的平衡，是其一大亮点。 第三组测试：赛博格审讯室本组测试旨在考察模型的创造力与摄影语言理解。
Prompt：在一个灯光昏暗、烟雾弥漫的审讯室里，一张过肩镜头(OTS)电影剧照。前景左侧三分之一是侦探肩膀和侧脸的严重失焦剪影。焦点锁定在背景中坐在金属桌对面的嫌疑人——一个疲惫的赛博格，拥有发光的红色光学植入物，被头顶摇晃的刺眼聚光灯照亮。极浅的景深在模糊前景和锐利的嫌疑人面部之间形成强烈光学分离。85mm 镜头，f/1.4 大光圈。 3.1 (Nano Banana 2)3.1 表现均衡。OTS 镜头角度标准，前景虚化到位，景深控制准确，在摄影语言理解上达到满分水平。审讯室的氛围感与灯光设计经过精心考量，在物理准确性之外，有效发挥了叙事功能，清晰传达了审讯场景及权力关系。
3.2 (HiDream-O1-Image-1.5)3.2 的表现同样出色，难分伯仲。前景人物虚化形成压迫感，焦点精准锁定嫌疑人，叙事关系清晰，呈现出电影级质感。 值得注意的是，Prompt 明确要求了 “85mm, f/1.4, 大光圈, 极浅景深”。3.2 的输出更强烈地体现了前景虚化与背景主体清晰的光学分离。这表明模型不仅能识别关键词，更能将镜头参数转化为具体的画面效果，这对影视分镜、广告预演及概念设计至关重要。 在主体设计上，3.1 的赛博格设计较为保守，机械细节匮乏，仅象征性添加发光物。而 3.2 中的赛博格拥有更丰富的机械细节与更具质感的光学植入物。这种对主体重点的强调，与上一组小猫测试中的表现一脉相承，证明模型能精准识别画面叙事中心。 揭晓答案：每组第一张为 Nano Banana 2，第二张为 HiDream-O1-Image-1.5。 两款模型的能力画像由此清晰：
这种差异并未造成碾压式差距，在标准 Benchmark 下两者水平接近。对比这两款模型，更像是在进行选型决策。
02 CoT 推理层：Prompt 与像素间的精准翻译上述盲测反映的核心差异，在于模型对 Prompt 的理解深度。从白酒广告的中文古诗，到小猫花园对 “curious” 的独特诠释，再到赛博格审讯室对 “疲惫” 的语言约束，1.5 的响应更为真实且细节丰富。 这得益于 HiDream-O1-Image-1.5 采用的 “先推理、后生成”机制。该机制基于 Gemma 4 的 Reasoning-Driven Prompt Agent 模块，嵌入生成管线内部。在用户点击生成后、扩散模型启动前，系统先执行一轮思维链（Chain of Thought, CoT）。 这与 ChatGPT 的 System Prompt 有本质区别：ChatGPT 的推理在纯文本空间运行，优化的是回答的逻辑一致性；而 1.5 的 Prompt Agent 执行的是从语义到空间的翻译。 对于需要同时控制主体、环境、情绪和构图的复杂任务，这一 Agent 解决了核心痛点：以往需靠反复调试 Prompt 撞运气的过程，现在由 HiDream-O1-Image-1.5 在生成前自动梳理画面逻辑。 以赛博格审讯室为例，“OTS + 浅景深 + 85mm f/1.4 + 赛博格 + 聚光灯” 包含高信息密度指令。若直接输入传统文本编码器，编码器无法自动分配权重，可能导致过度关注主体而忽略镜头语言，或过度渲染灯光而丢失景深质感。 HiDream-O1-Image-1.5 的 Agent 在推理阶段将五大约束解耦处理：镜头语言（OTS）、光学参数（85mm f/1.4）、氛围（聚光灯）、主体（赛博格），最后汇总执行。 关键前提：CoT Agent 解决的是指令理解，而非常识储备。若 Prompt 信息不足，Agent 无法凭空生成正确逻辑。Agent 推理能力的边界，即为 Prompt 的信息边界。
03 无 VAE 架构：为何砍掉压缩层利好文字与细节？CoT 解决了 “理解” 问题，但更底层的架构变革解释了为何 HiDream-O1-Image-1.5 的长文本渲染能力达到 CVTG-2K 的 0.978（超越 GPT Image 2 的 0.961），以及为何在白酒任务中仅 1.2 能完整还原《黄鹤楼》。 在 HiDream-O1-Image 之前，主流文生图模型多为拼盘式架构：VAE 压缩图像，T5/CLIP 理解文本，DiT 负责生成。 VAE 的工作方式是将高分辨率图像（如 1024×1024）编码至低维潜空间（Latent Space，如压缩 8 倍至 64×64），在潜空间进行扩散计算，最后解码回原尺寸。此举大幅降低计算量，但压缩必然导致信息丢失，而这恰恰是文生图场景中最致命的两类信息：
HiDream 的 UiT（像素级统一 Transformer）架构直接砍掉了 VAE。所有信息——像素、文本 Token、控制条件——映射至同一 Token 空间。消除了 “压缩-重建” 环节，文字信号从 Prompt 到像素全程在同一空间内流转。 回到盲测结果： 在中文场景下，此问题尤为突出。英文单词可凭轮廓猜测（如 “ca_e” 猜为 “cake”），但中文单字完全依赖笔画完整性。此前 8B 版本频现的 “伪汉语” 即源于此。 HiDream-1.5 的长文本渲染数据揭示了一个底层洞察：稳定输出可读文字仅有两条路径，要么堆参数量补偿 VAE 损耗（如 FLUX 的 56B 路线），要么直接砍掉 VAE。 HiDream 选择了后者。其 8B 开源版已实现比肩 56B 模型的渲染效果，1.5 版本更在此基础上推高上限。此前 8B 开源版在 GenEval、DPG、HPSv3 等榜单上，不仅秒杀同量级 SD3.5 Large，更越级逆袭 Qwen-Image（27B）和 FLUX.2 [Dev]（56B）。 选型建议：
04 推理层 + 统一 Token Space：双系统协同效应至此，可回答一个核心问题：为何 CoT 推理与无 VAE 架构必须协同出现？
HiDream-1.5 将两个子系统串联为完整链路：CoT Agent 负责推理与结构化，UiT 负责无损执行。 直观类比： 此外，1.5 原生支持多宫格故事板生成及 15 种以上电影级镜头控制（特写、全景、鸟瞰、低角度等）。从单图生成到连贯叙事，跨度巨大。多宫格生成对 IP 保持和空间连贯性要求极高，而这正是 1.5 的强项。对于视频预演、广告分镜及漫画创作者，此功能极具价值。
05 未竟的共识？作为一种新兴技术路线，CoT 加无 VAE 策略亦存在代价：
回到最初的问题：文生图的 “慢思考” 是否有用？ 有用，但方式不同。它并非让模型 “更聪明”，而是降低从 “我想画什么” 到 “模型理解我想画什么” 之间的语义损耗。与之相对，无 VAE 的 UiT 架构旨在减少从 “理解” 到 “呈现” 之间的信息损耗。两者结合，即 “先理解，再无损执行”。 六维玫瑰图数据与盲测结果相互印证：HiDream-1.5 在长文本渲染（中文 0.978 vs GPT Image 2 的 0.961）和 IP 保持上具有断层级领先，主体理解精度和空间关系处理亦优于竞品。但在综合产品完成度和生态成熟度上，仍有成长空间。
从 8B 版本起，HiDream 的策略已清晰：开源 8B 培育社区信任与开发者生态，闭源 1.5 面向商用交付。用户可在 GitHub 免费下载 8B 进行原型验证，通过后升级至 1.5 进行生产交付。这种两步走策略比单一技术参数更具落地价值。 开源版社区数据佐证了该策略的可行性：发布一天内，8B 版本即冲上 Hugging Face 模型趋势榜第四，HF 下载超 1 万，ModelScope 超 2 千。更实际的是，它已被 WaveSpeedAI 和 fal 两个平台集成上线，用户无需自建部署即可使用。协议为 MIT，商业可用，对产品开发团队而言是重大利好。
VAE 架构因模块协作间的信息损耗备受诟病，而人与模型之间亦常经历此类割裂。当图像模型从 “生成好看的图” 转向 “生成用户真正想要的图”，技术切口何在？HiDream-1.5 试图通过 CoT 推理和 无 VAE 架构给出答案。它们虽不完美，但指向减少语义与信息损耗的方向，这大概率是未来两年图像模型迭代的核心动力。 是否选择 HiDream-1.5？
有前提的好用，是模型公司目前能给出的最诚意承诺。 体验 HiDream-O1-Image-1.5： 开源模型 HiDream-O1-Image 下载地址： 雷峰网文章 |
