AI 模型库：大模型、Agent 与开发工具
收录并解读主流 AI 模型、Agent 与开发工具的能力、场景与选型对比。
标签：图像生成
共 63 篇文章 · 清除标签
HiDream-O1-Image-1.5 – 智象未来推出的商用图像生成模型
HiDream-O1-Image-1.5是由智象未来（HiDream.ai）推出的商用级图像生成大模型，其核心架构为自研的原生全模态UiT（Unified Transformer）。该模型在Artificial Analysis的文生图榜单中取得了ELO 1265的佳绩，位列全球第三、中国第一，性能超越了Google、NVIDIA及字节跳动等业界巨头的同类模型。其能力覆盖了摄影级人像生成、精细动物...
Ideogram 4 – Ideogram 开源的文本到图像生成模型
Ideogram 4 是 Ideogram 公司推出的首个开源文本到图像生成模型，拥有93亿参数，并采用从头训练而非基于现有模型微调的技术路线。该模型专为高质量图像生成而设计，尤其在设计、营销图形、Logo、海报、广告和社交媒体视觉内容方面表现突出。它支持结构化JSON提示接口，具备业界领先的多语言文本渲染能力、深度语言理解、显式边界框布局与调色板控制，并能够原生生成2K分辨率图像，为图像生成领域...
Bernini – 字节跳动开源的统一视频生成与编辑框架
Bernini是字节跳动开源的一套统一视频生成与编辑框架，采用“多模态大语言模型（MLLM）语义规划 + Diffusion Transformer（DiT）视觉渲染”的两阶段解耦架构。该框架先由MLLM理解文本指令、参考图像或视频素材，在ViT嵌入空间中预测目标语义表示（语义草图），再交由DiT在VAE潜在空间中执行流匹配去噪，生成高质量视频帧。Bernini支持文本生成视频、图像生成视频、环境...
Qwen-Image-Bench – 通义千问推出的文生图模型评测基准
Qwen-Image-Bench是通义千问团队（阿里巴巴）推出的一款专门用于文生图模型评测的标准化基准数据集，规模为1,000条精心设计的测试样本，覆盖中英双语提示词，采用Apache-2.0协议开源。该基准旨在为图像生成领域提供一套统一、可复现、多维度覆盖的评测框架，填补现有基准在中文场景覆盖不足的空白，帮助开发者和研究者客观、公正地对比不同文生图模型的实际生成能力，涵盖文本渲染、图像编辑、通用...
Guizang Social Card Skill – 歸藏开源的小红书图文优化Skill
Guizang Social Card Skill 是由独立开发者歸藏（op7418）开源的一款专为 Claude Code / Codex 等 AI Agent 环境设计的图文卡片生成技能。该工具以单文件 HTML + CSS 为核心，结合 Playwright 渲染引擎，能够在 Agent 工作流中一键输出具有杂志级排版质感的小红书 3:4 竖图、公众号 21:9 头图及 1:1 分享卡。内置...
MAI-Image-2.5 – 微软推出的旗舰级文生图模型
MAI-Image-2.5是微软研究院推出的旗舰级文生图模型，作为MAI-Image系列的最强版本，它在Arena文生图排行榜上以1,254分的成绩跃升至第3名，较前代提升了72分，成功打破了Google DeepMind与OpenAI对前五名的长期垄断。该模型的核心突破在于重点增强了文字渲染与商业视觉能力，能够精准生成包含文字内容的海报、包装、标签等商业物料。同时，它在视觉推理、画面一致性和指令...
Rodin Gen-2.5 – 影眸科技推出的千万级多边形 AI 3D 模型
Rodin Gen-2.5 是影眸科技（Hyper3D）推出的全球首款支持千万级多边形直接生成的AI 3D模型工具，基于SIGGRAPH 2025最佳论文技术，实现了从文本、单张图片或多视角图像到高质量3D模型的端到端生成。该工具在Speedy模式下仅需4秒即可生成百万面模型，输出格式涵盖GLB、FBX、OBJ、USDZ、STL等工业标准格式，为游戏开发、影视制作、电商展示和AR/VR内容生产提供...
HiDream-O1-Image-Pro – 智象未来推出的旗舰级图像模型
HiDream-O1-Image-Pro是智象未来（HiDream.ai）推出的基于原生全模态架构UiT（Unified Transformer）的旗舰级图像生成模型，参数规模超过200B，在文生图、高保真文字渲染、指令图像编辑和多主体个性化等核心任务上全面刷新了SOTA（State-of-the-Art）水平。该模型将原始图像像素、离散文本标记与多任务条件统一映射到连续共享标记空间，实现了底层表...
Gemini Omni Flash – 谷歌推出的多模态视频生成模型
Gemini Omni Flash 是谷歌在 I/O 大会上推出的统一多模态世界生成模型，其核心定位是打破传统生成模型的模态壁垒，实现从任意输入到任意输出的全链路内容生成。该模型将 Gemini 强大的推理引擎与 Veo 视频生成、Nano Banana 图像生成、Genie 交互模拟能力深度融合，构建了一个能够理解并模拟物理世界规则的多模态生成框架。其独特之处在于不仅支持文本、图像、视频、音频的...
HiDream-O1-Image – 智象未来开源的原生统一图像生成模型
HiDream-O1-Image是由智象未来（HiDream.ai）团队研发并开源的8B参数像素级原生统一图像生成模型，采用全球首创的UiT（Unified Transformer）架构，彻底颠覆了传统扩散模型中依赖VAE和独立文本编码器的三段式管线。该模型在单一共享token空间内直接生成2048×2048高清图像，无需任何超分后处理，在GenEval、HPSv3、DPG-Bench等六项权威基...