百度：开源图文生成模型ERNIE-Image

📖标题：ERNIE-Image Technical Report
🌐来源：arXiv, 2605.25347v1

🛎️文章简介
🔸研究问题：如何在不单纯依赖模型参数规模扩张的前提下，通过优化数据策略和训练流程，使开源文生图模型在指令遵循、文本渲染及美学质量上逼近顶尖闭源商业模型？
🔸主要贡献：论文提出了基于8B单流DiT架构的ERNIE-Image，通过自底向上的预训练数据构建、自顶向下的后训练对齐及多教师蒸馏技术，实现了开源模型性能的突破，并发布了全套模型及美学评估基准。

📝重点思路
🔸预训练阶段采用自底向上数据管线，结合万级细粒度图像分类、VLM丰富 caption 标注及美学评分进行分层采样，有效降低噪声并保留长尾概念与真实世界知识。
🔸后训练阶段采用自顶向下策略，针对海报、摄影等高需求场景 curated 高质量数据，并通过多样化 prompt 重写增强模型对真实用户输入的鲁棒性。
🔸引入稳定化直接偏好优化（DPO）算法，通过锚点损失防止奖励黑客现象，将模型分布与人类美学偏好对齐；提出多教师分布匹配蒸馏（MT-DMD），利用不同领域专家教师联合监督，解决蒸馏过程中的能力漂移问题，实现8步高效生成。
🔸开发轻量级 Prompt Enhancer，将用户简短意图扩展为结构化视觉描述，显著提升复杂指令遵循能力；构建工业级美学模型 ERNIE-Image-Aes 及人工标注基准 ERIA-1K，纠正现有美学评估偏差。

🔎分析总结
🔸在 GenEval 基准测试中，ERNIE-Image 取得0.89的最高综合得分，尤其在空间定位和属性绑定方面表现优异，证明其强大的指令遵循能力。
🔸在 LongText-Bench 测试中，模型在英文和中文长文本渲染上均达到0.973的高准确率，展现了卓越的跨语言文本生成能力及字符级空间协调性。
🔸人类评估显示，ERNIE-Image 在整体偏好、空间结构及世界知识准确性上优于其他开源模型，仅次于顶尖闭源模型 Nano Banana 2.0，且显著优于参数量更大的竞品。
🔸美学模型 ERNIE-Image-Aes 在 ERIA-1K 基准上的 SRCC 和 PLCC 指标大幅领先现有模型，能更公正地评估各类图像风格，避免了传统模型对AI生成内容或黑白照片的系统性偏见。

💡个人观点
论文证明了“数据质量与训练策略”比单纯的“参数规模”更能决定文生图模型的上限。