一、ERNIE-Image介绍
ERNIE-Image 是由百度文心大模型团队开发的一款开源文生图模型。它基于单流 Diffusion Transformer（DiT）架构，并配有一个轻量级 Prompt Enhancer，用于将简短输入扩展为更丰富、更结构化的描述。在仅有 8B DiT 参数规模的前提下，达到了开源文生图模型中的领先水平。
整体来看，它在复杂指令跟随、文字渲染和结构化图像生成方面表现突出，适合海报、漫画、多面板布局等需要较强控制能力的内容生产场景。同时，模型也覆盖了从写实摄影、设计感图像到风格化表达在内的多种视觉风格。今天正式开源ERNIE-Image模型，参数量仅8B，24GB显存的消费级显卡即可生成媲美顶级商业模型的超真实、复杂图像。
核心特性：
- 小模型，强性能
仅8B参数规模，在GenEval、OneIG、LongTextBench等主流评测中取得开源模型世界第一，效果接近最先进的商业级模型。 - 精准文字渲染
在高密度文本、长文本及版式敏感的文字生成任务上表现稳定，支持中英文等多语言文字渲染，适合海报、信息图、类UI图像等重文字场景。 - 复杂指令跟随
面对多主体关系、细节约束和知识密集型描述的prompt，模型保持强理解与精准执行能力。 - 结构化生成突出
在海报、漫画、分镜、故事板和多面板图像等结构化视觉任务中，能更好地保持布局逻辑和画面组织。 - 多元风格覆盖
支持写实摄影、设计感图像、动漫二次元、胶片、超现实主义、剪影、老照片等多种视觉风格，以及更柔和、更具电影感的画面风格。 - 消费级硬件友好
24GB VRAM即可部署运行，降低了研究与生产环境的使用门槛。
二、相关安装
插件安装：
ComfyUI_LayerStyle（基础节点/清理显存）：https://github.com/chflame163/ComfyUI_LayerStyle.git
rgthree-comfy（基础节点/随机种子/图像对比）：https://github.com/rgthree/rgthree-comfy
ComfyUI-GGUF（GGUF加载器）：https://github.com/city96/ComfyUI-GGUF.git
模型：
model：ernie-image.safetensors
text_encoders：ministral-3-3b.safetensors
ernie-image-prompt-enhancer.safetensors
vae：flux2-vae.safetensors
安装目录：
📂 ComfyUI/
├── 📂 models/
│ ├── 📂 diffusion_models/
│ │ └── ernie-image.safetensors
│ ├── 📂 text_encoders/
│ │ ├── ministral-3-3b.safetensors
│ │ └── ernie-image-prompt-enhancer.safetensors
│ └── 📂 vae/
│ └── flux2-vae.safetensors三、工作流
评测结果
ERNIE-Image在四个主流文生图评测基准上进行了评估：GenEval（组合生成）、OneIG-EN / OneIG-ZH（中英文开放域图像生成）和LongTextBench（长文本渲染保真度）。
- 全面领先开源模型
ERNIE-Image在所有四个benchmark上均为开源模型第一：GenEval第1名（0.8856）、OneIG-ZH第2名（0.5543）、LongTextBench第2名（0.9733）、OneIG-EN第3名（0.5750），与NanoBanana 2.0、Seedream 4.5等顶级闭源模型直接竞争。 - 极致参数效率
上述成绩仅来自8B参数的DiT架构，是同性能水平下最具参数效率的模型之一。 - 文字渲染突出
在LongTextBench上排名第2，中英文长文本渲染均表现出色；在OneIG的Text维度上也保持高竞争力，体现了多语言文字生成的核心优势。
总结
ERNIE-Image证明了8B参数模型可以在文字渲染、复杂指令跟随、结构化生成和多元风格表达上与更大规模模型竞争，同时保持消费级硬件可部署的实用性。希望开源的ERNIE-Image和ERNIE-Image Turbo能为研究、开发和创意应用提供有力的基础工具。
有空试试