智东西

作者 | 陈骏达

编辑 | 漠影

智东西 6 月 11 日报道，本周，智象未来（HiDream.ai）推出了其最新商用版图像生成模型 HiDream-O1-Image-1.5，并在全球知名 AI 模型评测平台 Artificial Analysis 上拿下总榜第三、国内第一的成绩。

这一模型的 ELO 得分超过了 Google Nano Banana 2、NVIDIA Cosmos3-Super-Text2Image 和字节跳动的 Seedream 4.0 等国内外大厂的主流图像生成模型，和 GPT-Image 1.5 也仅有一分之差。

按厂商排名来看，智象未来已经是全球第二、国内第一的生图模型玩家了。

HiDream-O1-Image-1.5 使用的是一套名为 " 原生全模态 " 的新架构，此前已在开源模型 HiDream-O1-Image 上获得验证。在该架构中，图像像素、文本 Token、视频体素等模态信号，从模型底层就被映射进同一个共享空间，用一套统一的 Transformer 来理解和生成。

但榜单和技术细节之外，我们更想知道的答案是：这一模型实际用起来感受究竟如何，把它和海外顶流拉到同一个擂台上真刀真枪比一场，谁能赢？

目前，HiDream-O1-Image-1.5 已在智象未来的 HiHarness 平台上线，支持在线体验与 API 调用。智东西第一时间对其进行了实测。跑完十几个案例后，我们也有了初步感受：国产生图模型的可用性，正在迅速逼近海外顶流。

HiDream-O1-Image-1.5 体验链接 :

https://vivago.ai/

https://hiharness.ai/

开源模型 HiDream-O1-Image 下载地址：

GitHub：https://github.com/HiDream-ai/HiDream-O1-Image

Huggingface：https://huggingface.co/HiDream-ai/HiDream-O1-Image

一、三大场景综合实测，文字渲染、画面细节表现出色

能否准确渲染文字，一直是图像生成领域的痛点，也是许多在实测中最容易 " 翻车 " 的重灾区。我们的实测也从这类任务开始。

首个测试案例是相对简单的海报设计，内容是一部太空主题电影的竖版宣传海报。HiDream-O1-Image-1.5 是轻松过关，它在海报中采用了三种不同的字体，文字渲染准确，字体的选择和设计也与画面主题契合，没有违和感。

HiDream-O1-Image-1.5 的中文渲染能力也不错。我们让它给某个国内音乐节设计一张海报。这个任务的难点在于，文字内容有多个信息层级，包括主标题、副标题、阵容列表、时间地点、票价和票务平台。这些内容不能混在一起，必须有大小对比、区域划分。

最终，HiDream-O1-Image-1.5 准确地生成了我们要求的内容，竖版文字的渲染也没有出现错误，信息呈现清晰，中式水墨画的风格与音乐节的主题契合。

最后，我们还测试了一个高难度的案例：特定风格的高密度文字渲染。我们要求 HiDream-O1-Image-1.5 生成一本旧诗集中的某一个页面，内容是英国诗人的华兹沃斯的 I Wondered Lonely as a Cloud。

在提供完整诗歌内容后，HiDream-O1-Image-1.5 几乎完美地渲染了这首诗歌的绝大部分内容，仅有极个别单词出现了小错误。同时，它也理解了提示词中 " 旧诗集 " 的风格要求，图中的诗集页面略微泛黄，边角还有些岁月留下的痕迹。

生图模型的另一大问题就是真实性。许多模型生成的结果一眼看上去就有 AI 味，比较突出的问题包括油腻感很强、构图和人物等元素不符合事实等。

HiDream-O1-Image-1.5 在 " 繁忙后厨 " 这一场景的还原上做得不错。这张图包含厨具、原材料以及多位厨师。这几大主体的质感都很利落，特别是中间厨师面前那团火焰，颇具现场感。

再来看细节，砧板上的三文鱼纹理、金属碗里食材的堆叠层次都比较真实，这些属于画面 " 边角料 " 的细节并没有被 HiDream-O1-Image-1.5 忽略，而是保留了清晰的物理形态。

画面中，构图和人物动作也基本合理，左右两侧的厨师在备菜，中间的厨师在烹饪，背景里还有忙碌的帮厨，整个场景非常符合实际的商业厨房运作逻辑。

在另一个案例中，我们让 HiDream-O1-Image-1.5 生成一张日本街头的照片。这张图整体氛围营造比较到位，雨夜、霓虹灯牌、柏油路面反光都得到真实的呈现，前景的清晰与背景的景深虚化处理得也很好。

不过，美中不足的是，图里有一个 " 穿帮 " 的小细节：那辆黑色出租车行驶的方向错了，在日本车应该是靠左行驶的。

最后，一款生图模型要在真实生产场景发挥作用，还需具备对多种不同风格、设计要求的理解力。我们让 HiDream-O1-Image-1.5 集中尝试了意大利老电影风格、1940 年代老照片风格、拼贴画这三种截然不同的风格。

首个案例中，模型成功理解了 " 意大利老电影风格 " 的核心要素，色调符合风格要求，画面内容包含了意大利常见的卵石路、地中海海景等细节，画面中人物的样貌有种胶片电影捕捉到的自然感，在风格化与写实度之间找到了较好的平衡。

在下方任务中，HiDream-O1-Image-1.5 成功模拟了 20 世纪三四十年代美国农场家庭合影的风格，人物的表情、衣着带有那个年代特有的风格，我们在提示词中要求的模拟照片老化的效果也得到了还原，可以看到照片的边角有些缺失和泛黄。

最后，在这一拼贴风格图像生成的任务中，HiDream-O1-Image-1.5 复原了手工撕纸的质感、旧纸张的肌理以及金属部件的光泽感，材质对比富有冲击力。中间的花卉与符号元素错落有致，很好地传达了 " 想象力与算法碰撞 " 的主题。

这几个案例跑下来，可以感受到 HiDream-O1-Image-1.5 在文字渲染上表现扎实，多层级中文排版也能准确呈现；画面真实感强，细节经得起推敲。虽然偶有小 Bug，但整体可用性很高，很适合需要高效出图的海报、摄影、艺术创作等真实生产场景。

二、分镜、UI、风格化，三款主流生图模型同台 PK，谁更好用？

我们也将 HiDream-O1-Image-1.5 与几款当前最流行的生图模型进行了对比实测，选择的实测玩法包括最近比较流行的分镜生成、UI 设计、风格化等等。

先看分镜生成。这类任务要求模型同时处理多格画面的构图逻辑、序号标注、画面连续性以及统一的风格质感，是对模型综合理解力的集中考验。我们以 " 深夜便利店 " 的 6 格分镜稿为统一测试题，分别输入 HiDream-O1-Image-1.5 与 Google Nano Banana 2、OpenAI GPT-Image 2 中。

Nano Banana 2 的生成速度是其中最快的，不过它忽视了我们提示词中关于实拍质感的风格要求，生成的分镜图是漫画风的。

HiDream-O1-Image-1.5 也很快给出了生成结果。HiDream-O1-Image-1.5 做得较为不错的是角色的一致性。图中人物在分镜 2 和 5 中的样貌、衣着基本一致。同时，便利店场景的还原也较为符合事实。

不过，在生成 " 从冰柜里拿一瓶黑咖啡 " 的分镜 3 时，HiDream-O1-Image-1.5 生成的咖啡罐有些过大，算是一个小的瑕疵，但在后续的分镜中咖啡罐的比例被精准的调整了过来。

GPT-Image 2 是最后一个给出生成结果的模型。在细节还原度方面，GPT-Image 2 做得十分真实，分镜 3 中罐装咖啡的排布、咖啡罐上的字样和冷凝水等细节都按照提示词的要求复原了，整体处理得很自然，基本没有 AI 生成痕迹。

在 UI 设计类任务中，我们让三款模型给一个 iPad 应用设计一个登陆页面。HiDream-O1-Image-1.5 在设计中采用了干净、现代的风格，视觉干扰比较少，重点集中在核心功能上。

而 GPT-Image 2 采用了经典的卡片风格，在浅蓝色背景的中央放置了一个带大圆角的白色卡片，比较规范。同时，它还用蓝色高亮了交互文本。

Nano Banana 2 的生成结果是这三张图中最不像 UI 样板设计的图片，它包含了环境背景，更像是用来做展示的效果图。不过，在核心的 UI 页面方面，它的表现还是比较中规中矩的。

我们的最后一个对比实测任务是风格化。GPT-Image 2 较好地还原了商业摄影与复古胶片两种风格，但在抽象几何风的处理上仍不够彻底。

Nano Banana 2 在商业摄影风格上表现不错，主动呈现出咖啡冒出的热气，画面更具吸引力。然而，其胶片风格与商业摄影之间差异不明显，缺乏区分度。在抽象几何风方面虽做了一定调整，但整体的几何感仍不够到位。

最后看看 HiDream-O1-Image-1.5。它在左侧的商业摄影风格上做得不错，清晰度和光影都符合要求。而在中间的复古胶片质感方面，画面有一种胶片的颗粒感，色彩偏移的选择也比较符合胶片风的特点。而在抽象几何风格中，HiDream-O1-Image-1.5 的处理比较大胆，按照提示词要求放弃了物理写实。在三个模型中，它的表现最符合提示词的要求。

从实测结果来看，三款模型各有所长。Nano Banana 2 在生成速度上有优势，GPT-Image 2 在细节真实度方面表现突出。而 HiDream-O1-Image-1.5 在多项任务中展现了不错的综合能力，无论是角色一致性、设计风格的审美，还是风格化任务中跨越三种风格的把控能力，均表现出色。

可以说，HiDream-O1-Image-1.5 在不少实测案例中已经展现出了比肩乃至优于头部闭源生图模型的表现。

三、实现真正 " 原生全模态 "，1 个月内连续三次迭代

HiDream-O1-Image-1.5 究竟是如何实现上述生成效果的？答案就藏在底层架构上。

传统文生图模型通常采用 " 文本编码器 +VAE+DiT/ 扩散模型 " 的模块化路径，其形态更像一棵不断分叉生长的树：文本有自己的 tokenizer，图像和视频有各自的 encoder/decoder，音频、动作、空间关系也往往沿着不同路径被处理，模块之间需要多次转换信息。

在文字密集排版、UI 页面、多主体生成、多参考图控制、多分镜叙事等复杂任务中，这种架构更容易带来细节损耗、语义错位和结构不稳定。

HiDream-O1 系列走的是 " 原生全模态 " 路线。所谓原生全模态，并不是先分别训练各模态模型再拼接，而是从架构设计之初就让文本、图像、视频、音频等多种模态共享同一套表征体系，在模型底层实现融合。

具体到 HiDream-O1-Image 系列模型，它去掉了传统生图流程中的 VAE 和独立文本编码器，将图像像素、文本 Token、视频体素以及音频、动作、空间关系等原始信号映射进同一个共享 Token 空间，与同一套 UiT（像素级统一的 Unified Transformer） 交互，在统一表征系统中完成理解、生成和推理。

UiT 此前在智象未来的开源模型 HiDream-O1-Image 已经获得采用，此后，智象未来也在快速迭代。今年 5 月，智象未来发布了采用同款架构的 HiDream-O1-Image-Pro，而本月登场的 HiDream-O1-Image-1.5 则是这一架构在商用领域的进一步验证。

新一代生图架构从研究到开源再到商用落地，往往需要经历漫长的周期，而智象未来的 UiT 架构率先在开源社区和商业产品两条线上同时跑通，并在 1 个月左右的时间内连续推出三款采用这一架构的模型。

这种高频迭代本身就是一个值得关注的信号，反映出 UiT 架构本身具备良好的可扩展性和工程友好性，能够支撑起从实验探索到生产部署的快速跨越。

结语：生图模型加速走向原生统一架构

有越来越多的生图模型，正从拼接式的架构走向原生统一。一旦这条路径全面走通，模型本就能像理解并生成自然语言内容那样，更好地处理视觉生成任务。

智象未来在这一架构内的快速迭代，已经初步证明了这个底座的可扩展性。随着模型规模、训练数据和工程能力的持续进化，我们有理由相信，UiT 所代表的技术范式，有可能成为下一代视觉生成模型的主流架构之一。