字节跳动 Seed 发布 Seedream 3.0 图像生成模型

背景

Seedream 是字节跳动 Seed 团队的图像生成模型系列。文生图模型根据文字描述生成图片。这类模型通常从几个方面评价：画面是否贴合提示词，画面中的文字是否准确，画面是否美观，以及结果是否忠实于原始要求。

发生了什么

2025 年 4 月 15 日，字节跳动 Seed 团队把 Seedream 3.0 技术报告发布到 arXiv。^[1] Seedream 3.0 是一款中英双语的图像生成基础模型。基础模型（foundation model）指可以被应用于多种任务的大型通用模型，这里的任务是用中文或英文文字生成图像。^[1]

主要改进

报告称，与 Seedream 2.0 相比，Seedream 3.0 在提示词对齐（prompt alignment，即画面与描述的吻合程度）和中文文字渲染（即画面中汉字的准确程度）方面有所提升，在美学和保真度上也有改进。^[1]

模型可以直接输出最高 2K 的高分辨率图像。这里的「原生」指图像直接按该尺寸生成，而不是先生成较小的图再放大。^[1]

速度与训练数据

一种新的加速方法在不损失图像质量的前提下，把速度提高了 4 到 8 倍。^[1] 对于需要批量生成图片的服务来说，单张图片耗时缩短意味着成本和等待时间都会下降。

训练数据通过缺陷感知训练（defect-aware training）和双轴数据采样（dual-axis data sampling）增加了一倍。^[1]

这类图像模型通常用大量图片和配套文字说明进行训练，说明文字的质量和准确度会影响模型对提示词的遵循程度。

影响

对双语模型来说，图片中的中文文字处理是一项直接的检验，因为字符错乱的图片无法使用。报告把中文文字渲染的改进与美学和速度的提升放在一起，反映了这一版本的主要方向。