混元图像 3.0

是什么

混元图像 3.0（HunyuanImage 3.0）是腾讯开源的图像生成模型，推理代码、模型权重和技术报告在 2025 年 9 月 28 日一起公开。^[1] 与不少建立在扩散 Transformer（DiT）结构上的图像生成模型不同，它是原生多模态模型，图像理解与图像生成在同一个自回归（autoregressive）框架里完成。^[1] 换句话说，它像语言模型逐词输出文本那样逐个生成图像 token，而不是对噪声潜变量反复去噪。

结构与训练

模型是混合专家（mixture-of-experts, MoE）结构，共 64 个专家，总参数超过 800 亿，每个 token 激活 130 亿参数。^[1][2] 这种稀疏方式让模型可以容纳很大的容量，同时把单个 token 的计算量压在远低于总参数规模的水平上。腾讯称它是最大的开源图像生成 MoE 模型，并称其为「迄今为止规模最大、能力最强的开源图像生成模型」。^[1][2]

技术报告覆盖了这条流水线的几个环节：数据整理、原生思维链（chain-of-thought）方案、渐进式预训练与后训练。^[2] 这里的思维链指模型在生成时先写出中间推理步骤，而不是直接跳到最终的图像 token；渐进式预训练指预训练分阶段推进，而不是一次做完。

评测

腾讯给出了两类评测。^[1] 人工评测采用「好/相同/差」（Good/Same/Bad）的对比方式，使用 1000 条提示词，参与的专业评测者超过 100 人；机器评测使用名为 SSAE 的方法，在 12 个类别上对 3500 个关键点打分。^[1]

运行条件

基础文生图模型建议至少用 3×80 GB 显存运行。^[1] 仓库要求 Python 3.12 或更高版本以及 CUDA 12.8，推荐使用 PyTorch 2.8.0。^[1] 2025 年 10 月 30 日，仓库加入了对 vLLM 加速的支持。^[1] 仓库还说明，FlashInfer 可以把推理速度提升至多 3 倍，但首次运行可能需要约 10 分钟做 kernel 编译。^[1]

Instruct 版本

2026 年 1 月 26 日，腾讯发布 HunyuanImage-3.0-Instruct，增加了推理、图像编辑和多图融合能力，同时给出一个蒸馏版本，用 8 步采样完成生成。^[1] Instruct 版本一次生成最多可以融合 3 张输入图像。^[1] 对 Instruct 和 Instruct-Distil 两个版本，仓库建议至少 8×80 GB 显存。^[1]

在發展中的位置

把代码、权重和技术报告一起放出，意味着外面的研究者和开发者可以直接检查、复现和使用这个模型，而不只是读报告里的数字。^[1] 从基础文生图模型，到加入推理、编辑与多图融合的 Instruct 版本，再到采样步数更少的蒸馏版本，这条线路记录了同一个自回归 MoE 框架如何从「文生图」扩展到更多图像任务。^[1] 开放的权重加上参数规模，也正是「最大开源图像生成模型」这一说法所依托的东西。^[1][2]