0
| 本文作者： Nemo | 2025-04-16 14:59 |
文生圖領域權威的第三方榜單Artificial Analysis競技場發布消息稱，字節跳動Seed團隊圖像生成模型Seedream 3.0綜合性能已追平文生圖SOTA模型GPT-4o，穩定超越Recraft V3、Ideogram、Imagen 3、Midjourney V6.1等模型，進入全球第一梯隊。
Seedream 3.0是字節近日發布的新一代文生圖主力模型，目前已在即夢、豆包等平臺全量開放。據Seedream 3.0技術報告，Seedream3.0是一個原生高分辨率、支持中英雙語的圖像生成基礎模型，無需后處理即可實現 2K 分辨率圖像直出，適配多比例場景，同時針對小字體高保真生成、多行文本排版等業界難題，模型也取得了突破性的效果表現。
值得一提的是，Seedream 3.0在3秒左右即可快速生成1K分辨率的高品質內容，相比之下，業界同類模型生成該分辨率內容的耗時基本在10秒以上，而此前文生圖SOTA模型GPT-4o平均耗時為77秒。
圖注：Seedream3.0 技術報告中評測結果
豆包大模型團隊推文介紹稱，Seedream3.0研發始于2024年末，通過調研設計師等群體的實際需求，團隊不僅將圖文匹配、結構、美感等行業共識性指標納入攻堅方向，同時，也將挑戰小字生成與復雜文本排版、2K高清直出、快速圖片生成等難題作為核心目標。
針對2K分辨率、多尺寸圖像直出能力實現，團隊借助了Transformers 架構對變長輸入序列的靈活處理能力，在從 512x512 到2048x2048 的多種分辨率和不同長寬比上混合訓練，讓模型實現不經過額外深加工的高清直出，同時也支持多種分辨率輸出。
為支持快速生成高品質圖像，模型采用自研推理加速算法，依靠一致性噪聲預測，疊加重要時間步采樣，最終實現對模型的無損加速。在保障圖文匹配、美學質量、結構準確度等指標的前提下，Seedream 3.0 生成1K分辨率圖像僅需 3 秒。
圖注：Seedream3.0輸出圖像細節豐富，蝴蝶絨毛根根分明
Seedream3.0還大幅提升了小字體高保真生成、多行文本語義排版表現，滿足設計師對海報設計的需求。團隊在預訓練階段，引入跨模態旋轉位置編碼，補足傳統方法模態特征對齊短板，進一步加強了文字渲染能力。
圖注：Seedream3.0模型可完成小字生成、多行文本排版，并兼顧畫面美感
據Seedream團隊介紹，相比此前2.0版本，Seedream 3.0 在數據和RLHF階段也使用了全新方案。團隊采用缺陷感知的訓練策略，使有效數據集擴充超過20%，同時設計了精準的美感描述維度，并進一步拓展RLHF獎勵模型，使Seedream 3.0 具備多維度質量判別能力，綜合性能大幅提升。
圖注：Seedream3.0在美感等方面較2.0進一步提升
Seedream團隊表示，“新模型在海報創作、生成效率、結構與美感等方面取得了明顯進步，但在生成可用性、美感與結構、智能化方面仍有提升空間。”
據了解，未來，團隊計劃探索更高效的結構設計，包括構建效果更好、成本更低、生成更快的文生圖模型，并進一步拓展模型對世界知識的理解，賦予模型交織生成等能力。同時，團隊也計劃探索數據、模型量級、獎勵模型等維度的Scaling現象，將認知積累應用于下一代模型中。
Seedream 3.0 技術報告：https://arxiv.org/abs/2504.11346
Seedream 3.0 官方網頁：https://team.doubao.com/zh/tech/seedream3_0
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
