騰訊混元圖像2.0發(fā)布 實時生圖毫秒級速度與超寫實畫質(zhì)

5月16日消息，今天騰訊正式發(fā)布了業(yè)內(nèi)首個毫秒級響應(yīng)的實時生圖大模型——混元圖像2.0(Hunyuan Image2.0)。目前已在騰訊混元官方網(wǎng)站上線，并對外開放注冊體驗，該模型主要有兩大特點：實時生圖、超寫實畫質(zhì)。

相比前代模型，騰訊混元圖像2.0模型參數(shù)量提升了一個數(shù)量級，得益于超高壓縮倍率的圖像編解碼器以及全新擴散架構(gòu)，其生圖速度顯著快于行業(yè)領(lǐng)先模型。

在同類商業(yè)產(chǎn)品每張圖推理速度需要5到10秒的情況下，騰訊混元可實現(xiàn)毫秒級響應(yīng)，支持用戶可以一邊打字或者一邊說話一邊出圖，改變了傳統(tǒng)“抽卡—等待—抽卡”的方式。

除了速度快以外，騰訊混元圖像2.0模型圖像生成質(zhì)量提升明顯，通過強化學(xué)習(xí)等算法以及引入大量人類美學(xué)知識對齊，生成的圖像可有效避免AIGC圖像中的“AI味”，真實感強、細節(jié)豐富、可用性高。

在圖像生成領(lǐng)域?qū)ｉT測試模型復(fù)雜文本指令理解與生成能力的評估基準GenEval(Geneval Bench)上，騰訊混元圖像2.0模型準確率超過95%，遠超其他同類模型。

提示詞：人像攝影，愛因斯坦，背景是東方明珠，自拍視角

騰訊表示，騰訊混元圖像2.0引入多模態(tài)大語言模型(MLLM)作為文本編碼器，配合自研的結(jié)構(gòu)化caption系統(tǒng)，不僅能理解你在說什么，更能推測出你希望畫面「怎么表達」。

哪怕你一句話里埋了三層含義，它也能一一拆解，再一筆一筆畫出來。

除了文字輸入，騰訊混元圖像2.0還可以通過語音直接輸入提示詞，系統(tǒng)將語音自動轉(zhuǎn)寫為文字，并在識別后即時生成圖像，適用于直播講解、移動創(chuàng)作等場景。

也可以上傳草圖作為參考，模型能自動識別線稿的結(jié)構(gòu)與構(gòu)圖邏輯，再結(jié)合提示詞內(nèi)容補全光影、材質(zhì)、背景等細節(jié)，迅速擴展成圖。

騰訊混元圖像2.0模型生成的圖片：

人像攝影風(fēng)格

動物特寫

復(fù)古攝影

動漫風(fēng)格

真實人物風(fēng)格