ERNIE-Image Technical Report

2026-10-28阅读约 1 分钟AI 生成已核查

本条目由 AI 按收录标准筛选与撰写，经独立的 AI 核查在原文中逐条找到依据，未经人工审核；数字与结论以原文为准。

百度文心报告发布于 2026-05-25arXiv多模态

涉及模型ERNIE-ImageERNIE-Image-TurboERNIE-Image-Aes

收录理由

该报告为 arXiv 文生图技术报告，描述预训练与后训练数据管线、Flow Matching 下 DPO、MT-DMD 蒸馏、瑞士制 pairwise 美学标注与 ERIA 基准评测，并开源模型权重与美学数据集。

ERNIE-Image 为 latent diffusion model，采用 single-stream DiT 架构，参数量为 8B，并使用 FLUX.2 VAE 与 Ministral-3(3B) 文本编码器。
ERNIE-Image-Turbo 仅需 8 NFEs 生成图像，训练采用 MT-DMD，由多能力专家变体联合提供监督信号。
预训练分三阶段在 256×256、512×512、1024×1024 分辨率训练，并支持多样宽高比。
开源发布 ERNIE-Image、ERNIE-Image-Turbo、Prompt Enhancer、ERNIE-Image-Aes 权重及 ERIA-1K 人类标注美学 benchmark。
ERNIE-Image-Aes 在 ERIA-1K 上 SRCC 为 0.7445、PLCC 为 0.7598。
GenEval 上 ERNIE-Image (w/o PE) Overall Score 为 0.89；LongText-Bench 上 ERNIE-Image (w/ PE) Overall 为 0.973。