文/观察者网 周毅 编辑 张广凯
5月14日，腾讯宣布旗下混元文生图大模型全面升级并对外开源。据悉，这是业内首个中文原生的DiT架构文生图开源模型。它支持中英文双语输入及理解，参数量15亿。目前，该大模型已在Hugging Face平台和Github上发布，包含模型权重、推理代码、模型算法等完整模型，可供企业与个人开发者免费商用。
不同模型在图文一致性等方面的表现 图源Hugging Face
腾讯混元文生图负责人芦清林对观察者网表示，提升技术能力和更广泛的应用，是该大模型未来的两个方向。
“从技术能力的提升来说，如何让图片生成的速度更快，生成的质量更好，是我们永远都会追求的一个技术方向，它似乎是没有止境的。”芦清林表示，项目团队也希望该大模型，能在腾讯内外更广泛的业务场景应用起来。事实上，从去年开始，腾讯混元文生图就和腾讯的广告业务进行了一些协作。
“今年会跟社交业务，包括QQ、企业微信等很多业务场景做联动。跟他们合作做一些新的技术能力。”芦清林透露，同时，该大模型也会跟腾讯游戏做一些深入的技术合作，希望能够在美术场景中应用起来。包括QQ音乐等在内，也都是该大模型未来将会提供支撑的业务场景。
大模型的优异表现，往往离不开先进的技术架构。过去，视觉生成扩散模型主要基于U-Net架构，但随着参数量的提升，基于Transformer架构的扩散模型展现出了更好的扩展性，有助于进一步提升模型的生成质量及效率。升级后的腾讯混元文生图大模型采用了全新的DiT架构（即Diffusion With Transformer），这也是Sora和Stable Diffusion 3的同款架构和关键技术，它就是一种基于Transformer架构的扩散模型。
公开资料显示，在DiT架构的基础之上，腾讯混元文生图大模型还在算法层面优化了模型的长文本理解能力，能够支持最多256字符的内容输入，同时赋予其多轮生图和对话能力：在一张初始生成图片的基础上，用户通过自然语言描述，即可对其进行调整。
用户通过“对话”，即可调整文生图的具体内容 测试截图
此外，“中文原生”也是腾讯混元文生图大模型的一大亮点，此前，像Stable Diffusion等主流开源模型核心数据集以英文为主，对中国的语言、美食、文化、习俗理解有限。作为首个中文原生的DiT模型，混元文生图具备中英文双语理解及生成能力，在古诗词、俚语、传统建筑、中华美食等中国元素的生成上表现出色。
混元文生图大模型的部分能力展示 图源Hugging Face
本文系观察者网独家稿件，未经授权，不得转载。