混元与AI生图的“零延迟”时代 晓静腾讯科技特约作者 5月16日，腾讯混元推出Hunyuan Image2.0（混元图像2.0模型），基于超高压缩倍率的图像编解码器，全新扩散架构，实现超快的推理速度和超高质量图像生成，极大降低“AI味”。 这个模型的诞生，意味着图像生成进入了“毫秒级”时代——"所见即所得"，输入提示词的同时，即可看到图像发生变化，非常震撼。 当前主流文生图模型的最大问题是生成时间长，即使是业内领先的模型，也需要5-10秒才能生成一张图像。此外，文生图模型普遍存在结果随机性问题，用户通常需要多次生成才能获得满意的结果。标准的使用流程通常是“输入提示词→等待数秒→查看结果→调整重试”，对于复杂图像，可能需要十余次调整才能得到真正可用的图。如果能做到“所见即所得”，对产业应用而言，意味着降本增效；对个人用户而言，这项技术提供了类似即时设计助手的体验：制作演讲插图、创意宠物照片等任务都可以快速完成。即时反馈机制能让创意连贯，让想法更流畅地表达。图：Hunyuan Image2.0在客观评测中超越同类图像生成竞品腾讯科技在第一时间进行了实测： 1、 文生图指令遵循的能力很强，能按照文字的改变，实时修改图片中的内容； 2、 图生图有“参考主体”、“参考轮廓”两种模式，用户可以自己设定参考的强度。实现图片的二次编辑能力。但是在实测中，对于轮廓不太清晰的图片，参考轮廓的模式可用性稍差； 3、 对专业设计来说，结合画板给线稿进行上色、生成各种风格、调光影，可以及时方便看到效果； 4、 双画布联动中的多图层融合功能，存在一定抽卡概率，需要多次调试（比如主体参考强度、提示词）才能达到比较好的效果。 目前，模型已经开放体验，体验地址为：https://hunyuan.tencent.com/（限pc端）。 普通人实现绘画自由 所思即所见 1、 文本生成图像：一边打字一边出图毫秒级响应这个词汇比较抽象，在测试中的体验是，随着用户打字输入，实时能够生成我们想要的东西。 比如，我逐渐输入提示词：人像摄影，爱因斯坦，背景是东方明珠电视塔，自拍角度。可以看到，画面是在实时变化的，加入了背景，并在最后切换了拍摄角度。 人物的表情也可以瞬间改变，比如让爱因斯坦吐舌头： 除此之外，还可以连续对画面增加或修改多个细节：一个女生，亚洲面孔，大眼睛，笑容灿烂，长头发，穿中式服装，戴上帽子，手绘风格。 模型都能够快速实时生成成功，尤其是戴上帽子这个环节。 能够看到，模型给女孩戴上了类似于蓑笠的帽子，和衣服很搭配，比如并没有生成棒球帽等和图片整体风格“违和”的元素。 2、 图像生成图像：可调节遵循强度 除了文字直接生成图片，混元图像2.0也支持上传参考图，通过图生图。 但是，和传统生图模型不同的是，混元图像2.0可以提取主体或轮廓特征，融合文本指令生成新图像。用户可以自由选择参考主体、或参考轮廓两个模式。 如果选择参考主体，模型将会保持主体的一致性 ，角色、物体在生成中保持特征统一（如脸部，物体等）。而且，还能支持选择“参考强度”，强度越强，模型会越遵循原图主体；强度越弱，越有想象力。 图：主体一致输出，从左第一张图表示主体图，后面依次是主体图权重从低到高对应的效果图 通过图生图-参考主体这个功能，可以轻松给自己家宠物生成各种“整活儿”图片，比如上传一张猫咪照片，图像参考强度设定为92，让猫咪眼睛变大，在草地上，戴上皇冠。 如果选择参考轮廓，模型会自动提取图片的轮廓，比如左图的机器猫，会被提取成右图的“线稿”，然后我们还可以根据自己的想法输入提示词进行二次创作。比如给它二次上色，转换风格，搭配背景、光影。 但是，这里也发现了一个小缺陷，如果上传毛绒绒的轮廓不清晰的物体，比如上面案例中的小猫，模型就很难提取出轮廓。 同样，参考轮廓也可以设定参考的强度，比如下面的例子，左边第一张图表示边缘图，后面依次是轮廓图权重从低到高对应的效果图。 专业画师的生产力工具 实时文生图的功能，普通用户可以0门槛上手。如果有设计基础，还可以使用“双画布联动”画笔：左侧勾线，右侧即刻呈现上色预览，将过去“绘制—等待—修改”的创作流程压缩为一气呵成的实时预览。 比如下面这个案例，上传一张简单的汽车线稿，用prompt给它加上背景及颜色，迅速能够出现一个效果图片。但是在测试中我们发现，双画布的指令反应速度，可能会比实时文生图稍慢。 还可以实时对图片进行风格的修改，添加小元素，对比和原图的效果。比如下面的例子，通过一张小猫的图片，生成“家居猫、公主猫、古惑仔猫”。 再比如，将以下这只小狗放到游乐场中，戴上项圈，并转变风格。但是在测试中，我们发现，对于风格的定义会有主观性，有的时候复现的并不是我们脑中想象的样子，可能需要更多的细节进行描述。下面这只陶土风格的小狗，就和我的想象有点差别。 另外，以下面这只赛博朋克风格的小狗为例，虽然模型能够识别并执行指令，但生成图像中的主体风格转换和元素添加并未完全体现“赛博朋克”的特征，要达到理想的风格效果仍需通过多轮提示词调整。但是与其它模型不同的是，即使需要调整，也能立即看到效果。 对于设计师来说，还有一个多图层融合的实用功能，支持将多个草图/图片（如人物、配饰）叠加至同一画布，自由DIY，AI 自动协调透视与光影，对应提示词内容，生成融合图像。但是这个功能，存在一定抽卡概率，需要多次调试（比如主体参考强度、提示词）才能达到比较好的效果。 但是，对于AI生成图片来说，即使是需要调整，速度快确实能“解千愁”，人类终于不必在等待中消磨创意，甚至让普通人也感受到了“神笔马良”般的超能力。 推荐阅读 腾讯研究院：《AI图像革命才刚刚开始》 腾讯研究院：《打造可信大模型，刻不容缓》 ?? 点个“在看”分享洞见