ERNIE-Image 深度测评：百度 8B 小模型如何撼动文生图格局

前言

2026 年 4 月 15 日，百度文心大模型团队扔下了一颗重磅炸弹——开源文生图模型 ERNIE-Image-2。在开源文生图领域被 SD3、Flux、Qwen-Image 等大模型盘踞的当下，百度带来了一个只有 8B 参数的“小模型”，却宣称能在消费级显卡上跑出媲美顶级商业模型的效果。

这不禁让人好奇：8B 参数真的够用吗？它到底能生成什么水平？带着这些疑问，我展开了一番深度调研和实测分析。

一、ERNIE-Image 的技术底色：不走寻常路

在参数规模这件事上，ERNIE-Image 走了完全不同的路。主流开源文生图模型大多走“堆参数”路线——几十亿乃至上百亿参数是常态。而 ERNIE-Image 的 DiT 参数仅 8B，远小于许多同类模型。

“小”不代表“弱”。8B 背后是极致的参数效率优化。ERNIE-Image 采用了单流 Diffusion Transformer（DiT）架构，配合一个轻量级 Prompt Enhancer（提示词增强模块），能够将用户的简短输入自动扩展为更丰富、更结构化的描述，再进入生成流程。

这套架构的价值在于：它跳出了“堆参数=高质量”的传统路径，把算力资源集中在了最关键的地方。官方数据显示，ERNIE-Image 最低只需24GB 显存的消费级显卡（如 RTX 4090）即可流畅运行，大幅降低了高性能文生图的硬件门槛。

在生态支持方面，ERNIE-Image 走得很“接地气”。模型权重和推理代码已在 Hugging Face 开源，采用 Apache 2.0 协议，同时已上线 ComfyUI Workflow，并联合 Unsloth 推出 GGUF 量化方案。对于个人创作者、小工作室和学术研究来说，这意味着可以真正把模型跑起来，而不是望“算”兴叹。

二、性能数据：开源榜单上的“屠榜者”

光说技术架构不够，数据才是硬道理。ERNIE-Image 在多个国际公开基准上接受了全面评估，包括通用图像生成的GenEval、中英双语评测的OneIG，以及复杂指令与文字渲染评测的LongText-Bench。

以下是 GenEval 基准的关键数据（表格数据来源于 Replicate 平台及官方披露）：

在 GenEval 综合得分中，ERNIE-Image 以 0.8856 的成绩位居参测开源模型第一，超过了 Qwen-Image（0.8683）和 FLUX.2-klein-9B（0.8481）。尤其值得注意的是，在不启用 Prompt Enhancer 的情况下，ERNIE-Image 的单物体识别达到了满分 1.0，双物体识别和颜色识别也分别高达 0.9596 和 0.9282。这不是“微弱的领先”，而是大幅甩开了对手。

官方声称，在文字渲染能力上 ERNIE-Image 取得了开源模型的 SOTA 效果，与 NanoBanana 等商业闭源模型同处第一梯队。这个说法是否属实，我们在实测中验证。

三、实测分析：长处与短板同样鲜明

理想与现实之间总有差距。智东西用六组高难度提示词对 ERNIE-Image-Turbo 版本进行了实测，覆盖高密度多语言文字渲染、多语言混排、漫画分镜叙事、数据图表生成、多主体空间控制和光影人像六个维度，全部单次生成、未经重试筛选。

3.1 表现亮眼的领域

多主体空间关系控制：在多物体按照提示词要求摆放的任务中，ERNIE-Image-Turbo 表现稳定，物体之间的位置关系和空间层次基本到位。

数据图表生成：学术图表、数据可视化等需要精确排版和数字准确性的任务，模型展现出了良好的结构还原能力。

光影细节与氛围感：在光影人像测试中，模型在宣纸水墨背景、楷体风格与红色“文心”印章等视觉氛围的营造上均还原到位，电影感氛围的把握令人印象深刻。

风格多样性：从写实摄影到动漫二次元、电影感胶片、分镜截图、老照片，ERNIE-Image 的风格覆盖确实如官方所说相当广泛。尤其在角色一致性和情绪表达上，表现出了成熟模型应有的水准。

3.2 暴露短板的领域

生僻汉字渲染是硬伤。实测中，指定的“鬱鬱蔥蔥”被生成了“糲糲萬蕙”，完全不是同一个字；第三行的生僻字“赢麟龑靐”，只有“赢麟”勉强对上，“龑”和“靐”这两个高复杂度字直接被替换掉了。三行中仅第二行“薛蟠贾雨村”字形没有问题。

多语言混排，细节频出问题。在中英日韩四语混排测试中，整体版式和风格没什么大问题，但细看之下，第二行的“Knowledge”明显少写了一个字母“e”，第四行的韩文也与指定内容有出入。当难度升级到极小字号、笔画无锯齿、严格网格对齐时，结果出现了乱码、字符变形和内容篡改，指定的技术参数和评测数据没有一个完整还原出来。

漫画分镜中角色搞反了。在跨格角色一致性的测试中，两行三列的均等分镜结构完整，格间分隔清晰，但角色搞反了。这说明模型在理解长程叙事关系和角色身份绑定上还存在理解偏差。

四、ERNIE-Image 真正的行业价值在哪？

如果只看生僻字渲染的短板，可能会低估 ERNIE-Image。它的真正价值，在于解决了文生图领域的一个核心矛盾——高性能与低门槛之间的鸿沟。

当前文生图领域正从“生成好看的图片”转向“高效解决实际问题”。海报设计、多语言广告本地化、信息图制作等场景对文字渲染和指令控制的精度要求越来越高，但大多数 SOTA 模型动辄需要数十 GB 显存甚至云端算力。ERNIE-Image 以 8B 参数和 24GB 显存的门槛，让个人创作者、小工作室、高校实验室能够以可承受的硬件成本，触达到第一梯队的文生图能力。

在商业化落地上，ERNIE-Image 的开源生态也在迅速成型。模型权重、推理代码已在 Hugging Face、百度星河 AI Studio、GitHub 等平台全量开源。更值得关注的是，天数智芯、沐曦股份等国产 GPU 厂商已在 ERNIE-Image 发布的同日完成 Day 0 适配，构建了“模型发布—芯片适配—产业落地”的国产化闭环。这在当前的国际技术环境下，具有特殊的战略意义。

与阿里 Qwen Image 2.0、字节 Seedream 5.0 等竞品相比，ERNIE-Image 的独特之处在于完全开源权重，允许本地部署和二次开发，而非受限于云 API 调用。这为对数据隐私和部署灵活性有要求的用户提供了另一种选择。

五、客观评价：不是“神”，但足够“神”

综合来看，对 ERNIE-Image 的评价需要一分为二。

长处方面：以 8B 小参数实现开源 SOTA 性能，这是一次漂亮的“以小博大”；24GB 消费级显存即可运行，真正将高性能文生图带到普通硬件可及范围；在复杂指令跟随、多主体控制、图表生成等需要强控制力的场景中表现突出；开源策略彻底，生态建设迅速，已形成从模型到芯片的完整国产化链条。

短板方面：高复杂度汉字和多语言混排的文字渲染仍是硬伤，生僻字、极小字号场景下容易出现乱码和错漏；涉及长程叙事关系的任务（如漫画分镜中的角色一致性）存在理解偏差；在真实人物细节、材质质感等维度上与顶级闭源商用模型仍有差距。

正如官方数据所显示的，ERNIE-Image 在 GenEval 的单物体识别上做到了满分 1.0，在双物体识别和颜色识别上也表现优异。但“零失误”显然不是它的目标，“在有限资源下做到最好”才是它的定位。

结语

ERNIE-Image 的出现，某种程度上代表了文生图技术发展的一个新方向——从“更大”转向“更巧”。在一个以参数膨胀为荣的时代，百度选择了一条更务实、更普惠的路径。它不一定适合所有场景，但对于那些受限于硬件资源、但又需要高质量文生图能力的开发者和创作者来说，ERNIE-Image 提供了一个难得的“普惠级 SOTA”选项。

它的真实价值，不取决于能否写出“鬱”字，而在于让更多人有机会用上足够好的文生图能力。而这，可能比任何一个 benchmark 上的数字都更重要。