图像生成Ovis-Image再开源，7B小参数媲美GPT-4o和20B开源模型

Qwen 团队发布的 Qwen-Image 图像生成与编辑模型，至今仍然称霸图像生成开源界。Ovis-Image 证明了只要有多模态骨干网的强力支撑和极度精细的训练配方，可靠的中文与英文文本渲染不再是超大闭源模型的专利，单张高端显卡即可承载前沿的生成能力。

一、Ovis-Image介绍

Ovis是阿里巴巴国际化团队提出的新型多模态大模型架构，通过巧妙地将视觉和文本嵌入进行结构化对齐，为解决模态间嵌入策略差异这一局限性提供了方案。Ovis2作为Ovis系列模型的最新版本，相较于前序1.6版本，在数据构造和训练方法上都有显著改进。它不仅强化了小规模模型的能力密度，还通过指令微调和偏好学习大幅提升了思维链(CoT)推理能力。值得一提的是，Ovis2引入了视频和多图像处理能力，并增强了多语言能力和复杂场景下的OCR能力，这些进步显著提升了模型的实用性。

模型亮点：

• 7B 规模下的强大文本渲染：提供与 Qwen-Image 等更大的 20B 级别系统相当的文本渲染质量，在文本场景中与 GPT4o 等领先的闭源模型具有竞争力
• 文本密集型提示词的高保真度：擅长处理需要语言内容与渲染排版紧密对齐的提示词（如海报、横幅、标志、UI 模型、信息图表）
• 精准的双语文本渲染：在各种字体、大小和宽高比下，生成清晰、拼写正确且语义一致的中英文文本
• 高效且易于部署：可在单个高端 GPU 上运行，内存需求适中，支持低延迟交互使用

二、相关安装

请确保你的 ComfyUI 已经更新。

模型安装

📂 ComfyUI/
├── 📂 models/
│   ├── 📂 text_encoders/
│   │      └── ovis_2.5.safetensors
│   ├── 📂 diffusion_models/
│   │      └── ovis_image_bf16.safetensors
│   └── 📂 vae/
│          └── ae.safetensors

三、工作流

效果：

总结

Ovis-Image 告诉我们，前沿的文本感知生成能力，并不一定是从通用图像合成中偶然涌现的副产品。

通过精心选择的架构、高质量的数据策展以及针对性的对齐目标，中等规模的模型完全可以围绕图像内文本的需求进行重构。