全球AI生图新霸主诞生！腾讯混元图像3.0登顶权威榜单，超越闭源巨头-青云TOP|AI综合资源站|AI学习交流导航平台|AICG创作应用资源中心

📢 转载信息

原文链接：https://www.qbitai.com/2025/10/339468.html

原文作者：量子位

全球文生图大模型竞争格局迎来重大变化！

就在不久前，国际权威的AI模型竞技场 LMArena 发布了最新的文生图榜单，来自中国的腾讯混元图像3.0一举夺得榜首，成功登顶全球第一！

它不仅超越了谷歌的 Nano Banana 等一众闭源模型，也超越了字节的 Seedream 和 OpenAI 的 gpt-Image，在全部 26 个参评大模型中稳居榜首。

LMArena 官方也对混元 3.0 的出色表现表示祝贺，称之为一项“巨大的成就”。

LMArena：国际最权威的盲测竞技场

LMArena 竞技场是国际上公认的权威 AI 模型评测平台之一，由美国加州大学伯克利分校推出。其核心机制是基于人类真实偏好的“盲测”：用户输入相同的问题，平台随机展示两款模型的输出结果，用户只需选择更喜欢的一方。这种评估方式比单纯的跑分更能体现用户层面的体验。

此次混元 3.0 的登顶，让不少人感到惊喜。此前，文生图领域主要由谷歌的 Nano Banana 和即梦等模型占据主导地位，腾讯混元 3.0 成为一匹强劲的“黑马”。

持续深耕，厚积薄发

腾讯混元在文生图领域并非新手。早在 2024 年 5 月，他们就开源了首个中文原生的文生图 DiT 模型，一度在开源社区引起广泛关注。随后，社区涌现出 Flux、Wan 等模型，闭源阵营则有 MJ、Nano-Banana 等。在社区沉寂一段时间后，混元团队持续深耕，9 月推出的 2.1 版本也展现了开源 SoTA 的实力。而最新的 3.0 版本，则依托全新架构，一举超越了众多闭源模型。

核心亮点：原生多模态架构与 80B 参数量

据官方介绍，混元图像 3.0 采用了原生多模态架构。这意味着它可以通过单一模型处理文字、图片、视频和音频等多种模态的输入和输出，而无需组合多个模型来完成任务。

这使得模型不仅具备生图能力，还融合了 LLM 的思考能力和常识，能像一个自带“大脑”的画家一样，利用智能去构思图像布局、构图和笔触。

此外，混元图像 3.0 的参数规模高达 80B，是目前参数量最大的开源生图模型，也是业界首个开源工业级原生多模态生图模型。不过，目前主要开放文生图能力，图生图、图像编辑等功能预计后续版本推出。

强大的语义理解与世界知识推理能力

在技术实现上，混元 3.0 从传统的 DiT 架构转向原生多模态架构，并进行了整体架构重构，以支持多任务训练并实现相互促进。

模型以 Hunyuan-A13B 为基础，融合了 50 亿量级的图文对、视频帧、图文交织数据，以及 6T 语料，进行了多模态生成、理解和 LLM 的混合训练。这使得模型具备了超强的语义理解能力和 LLM 的世界知识，能够利用知识进行推理。

创意生成示例

混元 3.0 在理解复杂提示词和生成符合常识的画面方面表现出色：

中秋节海报：完美融合嫦娥、玉兔、皓月等元素，节日氛围浓厚。
十二生肖表情包：动物特征明显，表情生动。
跨次元对话：“林黛玉大战孙悟空”的画面充满了戏剧性对比。
概念生成：完全由火焰构成的猫咪，极具艺术感。
专业级广告图：生成的香水广告大片精致唯美，看不出 AI 痕迹。

插画效果也同样出色，如牛顿被苹果砸中的经典场景。

技术方案深度解析

混合式离散-连续建模

混元 3.0 采用原生多模态模型，底层基于 Hunyuan-A13B（一个总参数超 800 亿的 MoE 大语言模型，推理时激活 130 亿参数）。模型结构上融合了离散和连续建模策略：文本词元使用自回归的下一词元预测，图像词元则基于扩散预测框架。

广义因果注意力机制（Generalized Causal Attention）

为了有效处理文本（自回归）和图像（全局依赖）这两种异构模态，模型引入了广义因果注意力机制：

文本 tokens 仅关注序列中位于它们之前的多模态 tokens。
图像 tokens 可以关注它们之前的所有多模态 tokens，以及同一图像片段内位于它们之后的图像 tokens。

这种设计在尊重文本自回归特性的同时，利用了全局注意力捕捉图像块的上下文能力。

广义二维位置编码（Generalized 2D RoPE）

模型采用了 Su 提出的广义二维 RoPE，保持了与预训练 LLM 的向后兼容性。图像 tokens 采用二维位置编码，文本 tokens 保留标准的 1D RoPE（可视为 2D RoPE 的对角线情况）。

自动分辨率预测

混元 3.0 引入了自动模式，模型能根据上下文（Prompt 或条件图像）自动决定输出图像的尺寸和宽高比。通过扩展词汇表加入特殊标记（如 <img_size_*>, <img_ratio_*>），模型学会根据输入预测合适的形状标记。

数据构建与训练策略

高质量数据构建

数据处理采用三阶段过滤流程，从超 100 亿张原始图像中筛选出近 50 亿张高质量数据，移除了低质量内容。

描述体系上，构建了中英双语、分层级的描述体系，包含内容、风格和实体等多维度信息，并利用 OCR 和 NER 代理提供事实依据，确保描述准确性。

为激活“思维链”（CoT）能力，团队还构建了“文本到文本”（T2T）和“文本到文本到图像”（T2TI）的思考生图数据集。

渐进式训练策略

预训练分为四个渐进式阶段，数据和分辨率逐步提升：

阶段一：联合优化 T2I、LM、MMU，低分辨率（256px）训练，对齐跨模态。
阶段二：冻结主干网络，微调 ViT 及其对齐器，增强视觉理解。
阶段三：联合训练 ViT 和 Transformer，使用更高分辨率（>512px）和图文交错数据。
阶段四：更高分辨率（≥1024px）子集上训练，强化视觉和推理能力，引入 CoT 任务。

后训练阶段采用 SFT、DPO、MixGRPO，并结合自研的 ReDA 优化模型，以提升生成图像的真实感和美学表现。

效果评估：全面超越

混元 3.0 采用机器指标 SSAE 和人工评测 GSB 结合评估。

在 SSAE 指标上，混元 3.0 在平均图像准确率和全局准确率上，均能与业界顶尖模型媲美甚至超越。

在 GSB 人工评测中，混元 3.0 对比 Seedream 4.0 胜率 1.17%，对比 Nano Banana 胜率 2.64%，对比 GPT-Image 胜率 5.00%，对比上一版本 2.1 胜率更是高达 14.10%。这强有力地证明了HunyuanImage 3.0 是一款足以媲美业界领先闭源模型的开源模型。

目录CONTENT

全球AI生图新霸主诞生！腾讯混元图像3.0登顶权威榜单，超越闭源巨头