Imagen 3

Imagen 3 是谷歌的文生图（text-to-image）模型：你写下一段文字描述，它据此生成图像。谷歌在 2024 年 5 月 14 日的 I/O 开发者大会上发布了它，称其为谷歌当时质量最高的文生图模型，视觉瑕疵更少，文字渲染有所改善。^[1]

它做什么

文生图模型接收一段提示词（prompt），返回一张图。衡量这类模型通常看两方面：一是忠实度，图中是否出现了提示词要求的对象、布局和风格；二是完成度，凑近看时手、边缘、文字、背景物件这些细节是否站得住。「视觉瑕疵」（visual artifact）是后一类失败的统称——边缘糊掉、手指多长一根、几个物体彼此融在一起。谷歌对 Imagen 3 的说法是，这类瑕疵更少，而且模型更擅长在图里渲染文字。^[1]

发布与开放节奏

Imagen 3 并不是一次性向所有人开放。发布时它处于私测阶段，通过等候名单（waitlist）向 ImageFX 中的部分创作者开放，谷歌同时表示 Vertex AI 版本很快就会推出。^[1] 在同一份公告里，谷歌再次说明 Imagen 3 不久会登陆 Vertex AI——开发者用来运行谷歌模型、搭建应用的平台。^[1] 正式发布是在 2024 年 8 月。^[2]

开放范围随后继续扩大。2024 年 12 月，最新版的 Imagen 3 在 ImageFX 中向 100 多个国家推出。^[3] 同期谷歌还上线了 Whisk，这是一个 Labs 实验项目，把 Imagen 3 与 Gemini 的视觉理解能力组合起来——后者负责读图，而不是生成图。^[3]

面向开发者，Imagen 3 以 imagen-3.0-generate-002 这一标识通过 Gemini API 提供，该版本于 2025 年 2 月 6 日发布。^[4] 它没有被长期保留：同一标识于 2025 年 11 月 10 日下线，Gemini API 的弃用页面推荐 gemini-nano-banana-2.1 作为替代。^[4]

文字渲染为什么受重视

在图里写字是图像生成的一个典型弱点，原因不难理解。一个单词是一串轮廓精确的形状：某一笔画放错位置，一个字母就变成了另一个字母；字母被拉伸或者被凭空造出来，任何读者一眼就能看出不对。而从整张图里学习的模型，并不是天然按字符级别的结构组织起来的。谷歌把文字渲染称作图像生成模型面临的一个难点，并表示 Imagen 3 是它在这方面迄今最好的模型。^[1]

这件事不只是海报和标牌的问题。提示词经常会要求在物体上写出具体的字，模型一旦把字写错，生成的图就无法直接使用。

在谷歌图像模型谱系中的位置

Imagen 3 属于谷歌的 Imagen 图像模型系列。它的分发方式体现了这类模型后来常见的格局：一边是面向使用者的工具 ImageFX，另一边是面向开发者的 Vertex AI 与 Gemini API。^[1][3][4] 模型版本有自己独立的发布和退役节奏，与它所在的产品并不同步——Imagen 3 在 Gemini API 中的标识有明确的启用日期和下线日期，也指定了接替者。^[4]

在 Whisk 里与 Gemini 搭配，则指向另一个方向：让生成模型和一个能看图、能理解图的模型一起工作，而不是把生成当成孤立的任务。^[3] 不过在发布时，谷歌自己的说法要收敛得多，讲的是质量和文字渲染，而不是一种新的能力。^[1]