Seedream 3.0 图像生成模型

是什么

Seedream 3.0 是字节跳动 Seed 团队推出的中英双语图像生成基础模型 ^[1]。基础模型（foundation model）指在大规模数据上训练、可被多种下游任务复用的通用模型。给它一段文字提示，它返回一张图；所谓「双语」，指中文和英文都在支持范围内，也包括画面中出现的文字 ^[1]。它的技术报告由 Yu Gao 与 30 位共同作者于 2025 年 4 月 15 日提交到 arXiv，并在 2025 年 6 月 28 日修订到第三版 ^[1]。

相比 2.0 的改动

报告把 Seedream 3.0 定位为在 Seedream 2.0 之上的改进，集中在四个方面：提示对齐（prompt alignment）、复杂中文字符的渲染、美学和保真度 ^[1]。提示对齐指成图与指令的贴合程度——该出现的物体是否出现，数量、位置关系和风格是否按要求落实。中文字符是另一类更麻烦的绘制对象：笔画多，部件的位置关系又有严格规则，模型不仅要画得像，还得把笔画形态和结构摆对，不能只求整体观感。美学和保真度则对应另一半要求：图要好看，同时也要忠实于所描述的内容 ^[1]。

训练数据与速度

训练数据量借助一套缺陷感知的训练范式（defect-aware training paradigm）和双轴数据采样框架（dual-axis data-sampling framework）实现了翻倍 ^[1]。前者的意思大致是训练时不假设每条样本都干净，而是把数据中的缺陷一并纳入考虑；后者管的是训练时按什么比例、从哪些方向抽取样本，这类框架的作用是让数据分布更均衡 ^[1]。在质量之外，报告还给出了一种新的加速方法，在保持画质的前提下带来 4 到 8 倍的速度提升 ^[1]。输出为原生高分辨率，最高 2K ^[1]：「原生」指直接按该尺寸生成，而不是先出一张小图再放大。

在发展中的位置

2025 年 9 月，Seedream 3.0 被 Seedream 4.0 接替，后者把生成与编辑统一了起来 ^[2]。在 4.0 中，文生图、图像编辑和多图组合被放进同一个框架，而不是几件分开的工具 ^[2]。它的原生输出覆盖 1K 到 4K，生成一张 2K 图像最快只需 1.8 秒，而且不需要借助 LLM 或 VLM 提示增强模型 ^[2]。所谓提示增强，是指先把用户的简短提示交给语言模型或视觉语言模型扩写成更详细的描述；4.0 不再依赖这一步 ^[2]。Seedream 4.0 的技术报告于 2025 年 9 月 24 日首次提交到 arXiv ^[2]。

把两份报告放在一起看，脉络很短：3.0 关注的是把单张图生成得更好——更贴合提示、把中文字写对、提高分辨率、缩短出图所需的时间；4.0 关注的是把生成和编辑收进同一套系统 ^[1][2]。