2026 年 4 月 15 日，百度文心大模型团队正式宣布开源 ERNIE-Image——一款 8B 参数的文生图（Text-to-Image）模型。该模型在文字渲染能力上达到了开源 SOTA 水平，仅需 24GB 消费级显卡即可运行，采用 Apache 2.0 许可证，对开发者和创作者非常友好。
模型架构
ERNIE-Image 采用单流 Diffusion Transformer（DiT）架构，并配备了一个轻量级的 Prompt Enhancer 模块，用于增强用户输入的提示词理解能力。整个模型仅包含 8B 参数，结构简洁高效。
在推理资源方面，ERNIE-Image 仅需 24GB 显存的消费级 GPU（如 RTX 4090）即可运行，大幅降低了文生图模型的使用门槛。
性能表现
ERNIE-Image 在多项主流文生图评测基准上取得了开源 SOTA 的成绩：
- GenEval
- OneIG（中文 + 英文）
- LongText-Bench
其中最突出的能力是文字渲染（Text Rendering）：在开源模型中排名第一，已经可以与 NanoBanana 等商业模型处于同一梯队。尤其在 CJK（中文、英文、日文、韩文）文字渲染方面表现优异。
核心优势
ERNIE-Image 的核心亮点包括：
- 指令遵循：精准理解复杂提示词，生成符合预期的图像
- 文字渲染：支持中英日韩多语种文字准确生成，开源最强
- 多主体关系：正确处理画面中多个对象之间的空间和语义关系
- 结构化布局：适用于海报、漫画分镜、学术论文配图等需要精确排版的场景
风格与用途
模型覆盖丰富的图像风格，包括：
- 写实摄影
- 动漫插画
- 电影画面
- 分镜故事板
- 复古老照片
- 更多风格持续扩展中
典型应用场景涵盖海报设计、漫画创作、多面板布局、学术图表生成等。
生态支持
ERNIE-Image 已提供完善的工具链支持：
- Hugging Face 模型：baidu/ERNIE-Image 和 baidu/ERNIE-Image-Turbo
- ComfyUI 工作流：已适配，可直接在 ComfyUI 中使用
- GGUF 量化：通过 Unsloth 提供，进一步降低显存需求
社区与活动
在正式开源之前，已有超过 30 家企业和社区参与了 ERNIE-Image 的内部测试，收集了大量真实场景反馈。
百度同时宣布启动「文心创作周」系列活动，首期主题为动漫创作，鼓励社区用户使用 ERNIE-Image 进行创作并分享作品。
许可证
ERNIE-Image 采用 Apache 2.0 许可证开源，允许商业使用和自由修改，对企业和个人开发者都非常友好。