腾讯开源混元图像 3.0

背景

许多图像生成模型以扩散 Transformer 为基础。腾讯的混元图像 3.0 走了另一条路线：它是一个原生多模态模型，在同一个自回归框架中同时处理理解与生成。^[1] 这里的多模态，指同一个模型既能读取图像和文字，也能输出图像。腾讯将模型开源发布，使外部研究者和开发者可以检查和使用它。开源模型的一个好处是，研究者可以运行同一组权重自行比较输出，而不必只依赖开发者的演示。

发生了什么

2025 年 9 月 28 日，腾讯发布了混元图像 3.0 的代码、模型权重和技术报告。^[1] 该模型在一个自回归框架内统一了多模态理解与图像生成。^[1] 它是一个混合专家（MoE，mixture of experts）模型，总参数超过 800 亿，每个词元激活 130 亿参数。^[2]

关键细节

腾讯称这是最大的开源图像生成混合专家模型。^[1] 技术报告的作者表示，自动评估与人工评估都显示，该模型在图文对齐（即图像与提示词的吻合程度）和视觉质量（即图像本身的品质）方面，可与此前的先进模型相媲美。^[2]

技术报告发布在 arXiv 上，代码托管在 GitHub 仓库中，任何人都可以阅读论文并下载代码。^[1][2]

意义

这次发布为开源用户提供了一个基于混合专家设计的大型图像模型，技术报告与权重同时公开。^[2] 代码、权重和报告同时出现，读者可以将论文中的描述与实际发布的实现相对照。^[1][2] 腾讯随后在 2026 年 1 月 26 日发布了增加图像编辑与推理功能的 Instruct 版本。^[1]