2025年9月，位於中國深圳嘅騰訊混元基礎模型團隊喺arXiv發佈咗論文（arXiv:2509.23951v1），正式推出HunyuanImage 3.0模型。呢款全球最大、最強嘅開源圖像生成AI，標誌住中國AI喺多模態領域嘅重大突破。HunyuanImage 3.0係一個原生多模態模型，既可以「睇得懂」圖片做理解同分析，又可以生成高質量圖像，支持由照片級到藝術風格嘅多樣創作。根據騰訊新聞報道，該模型基於超過800億參數嘅語言模型，激活130億參數，具備「思維鏈」推理能力，徹底革新圖像生成同理解嘅統一框架。Wired強調，呢個開源模型嘅發布推動咗AI圖像技術嘅民主化，令開發者可以免費接觸到頂尖性能，預計會加速創意產業嘅應用。
騰訊混元團隊自2023年起專注大型模型研發，此前HunyuanImage 2.1已展示強勁生成能力，但3.0版本喺多模態融合上實現質嘅飛躍。Hugging Face倉庫數據顯示，模型下載量快速突破50萬次。X用戶@TencentHunyuan 喺官方帖文寫道：「HunyuanImage 3.0：一個模型，識圖又生圖，開源賦能全球創意。」帖文獲得數千個讚，社區反饋認為其「全能型」設計係亮點。呢次發布唔單止鞏固騰訊喺開源AI嘅領導地位，亦為教育、設計同科研注入新動力。
數據準備：高質量數據集嘅構建
HunyuanImage 3.0嘅成功來自嚴謹嘅數據準備。由100億張原始圖片開始，團隊分三階段篩選：首先係技術過濾，剔除低分辨率、損壞或重複圖片；其次係客觀+主觀過濾，移除水印、AI生成嘅假圖片，利用美學評價模型評估色彩、光影同構圖；最後係去重，通過特徵向量聚類移除0.5%相似內容。最終保留近50億張高質量圖片（不到原始45%）。另外補充專業數據集，包括從影片中挖掘嘅片段：透過鏡頭檢測、運動分類、目標檢測同模糊檢測，從視頻中提取高價值幀。
呢個過程確保數據多樣性同質量。騰訊新聞指出，團隊構建咗1億對圖片數據集，通過圖片聚類生成成對描述，模擬編輯指令，支持圖像到圖像嘅理解同生成。與Llama 3.1嘅開源數據集相比，Hunyuan嘅篩選更著重美學同語義完整性，避免低質數據引入噪聲。
圖片描述生成與推理數據集構建
模型嘅關鍵係分層雙語描述架構，生成四個等級嘅描述：由簡短語義到超長細節，涵蓋語義欄位、風格屬性同事實實體。組合式數據增強透過採樣欄位生成30–1000詞描述，確保多樣性。集成OCR代理提取文字，同命名實體代理識別實體，雙向驗證確保準確性。對於成對圖片，使用差異描述生成器模擬編輯指令，提升模型理解深度。
推理數據集構建模擬人類思維鏈：由提示理解到細化思考，再到圖像生成。覆蓋照片級、藝術、UI設計同知識查詢場景，使用美學指標篩選圖像，標註推理軌跡。呢種設計令模型具備「思考」能力，避免傳統生成模型嘅隨機性。Hugging Face社區反饋顯示，呢種方法喺處理複雜提示方面優於Seedream 4.0。
模型設計與關鍵技術
HunyuanImage 3.0基於Hunyuan‑A13B（800億參數，64個專家模塊，每次激活8個+共享MLP，實際激活130億參數）。文本處理使用擴展詞彙表，圖像編碼採用雙編碼器：VAE（32維潛在空間，16倍下採樣）同視覺編碼器連接特徵。投影器包括VAE特徵嘅時間步調制殘差塊，以及視覺特徵嘅兩層MLP，支持交錯多模態交互。
廣義因果注意力機制係一個創新點，融合因果（文本自回歸）同全注意力（圖像全局）。圖像標記可以關注同一片段後續標記，訓練時引入「空洞」掩碼；推理時始終採用標準因位置編碼，使用廣義2D旋轉位置編碼（x,y坐標三角函數），文本保留1D兼容，確保一致性。自動分辨率調整嘅擴展詞彙表加入尺寸錨點同寬高比標記（1:4到4:1），模型會根據上下文預測尺寸，亦支持用戶指定（例如「3:4」）。呢項技術令模型可以靈活處理唔同分辨率輸入，屬於創新性領先。
訓練與後訓練優化
預訓練分四個階段：1. Transformer主幹+低分辨率（文本‑圖像生成、語言建模、多模態理解）；2. 微調視覺編碼器；3. 聯合訓練+更高分辨率+交錯數據；4. 高分辨率子集（短邊≥1024像素）+推理數據。後續指令微調使用模板格式化數據，確保提示合規。
後訓練優化包括監督微調（高質量圖像類別）、直接偏好優化（標註好/壞樣本對，抑制變形）、MixGRPO（強化學習，優化美學、減少偽影）、SRPO（梯度引導，注入噪聲以優化真實感）同ReDA（獎勵分佈對齊，模仿高質量圖像分佈）。呢啲技術顯著提升模型嘅生成質量同穩定性。與Llama 3.1相比，Hunyuan喺優化上更注重多模態一致性。
性能評估與專家激活分析
喺SSAE指標上（500提示、3500要點，12欄位分類，使用多模態LLM評分0‑1匹配），HunyuanImage 3.0喺所有欄位都達到領先水平。GSB評估（1000提示，100+評估員）：相對勝率 vs. HunyuanImage 2.1 為14.10%；vs. Seedream 4.0 為1.17%、Nano Banana 為2.64%、GPT‑Image 為5.00%。
專家激活分析顯示，1000提示熱力圖表明專家分工專業化（圖像/文本KL散度隨層數增加），自發分工加強咗多模態能力。呢啲結果證明模型喺圖像理解同生成方面具備SOTA地位。
社區反應與行業影響
HunyuanImage 3.0發布之後，社區反應熱烈。Hugging Face下載量超過50萬，開發者稱其「全能型」設計具革命性。X用戶@TencentHunyuan 分享：「開源圖像AI新標杆。」Bloomberg報道，Hunyuan挑戰美國大廠嘅壟斷，推動開源生態。
影響深遠。Info‑Tech評估認為，Hunyuan降低咗多模態入門門檻，支持創意、教育同科研。與o1相比，其開源性加速社區微調，但地緣政治風險存在，美國嘅管制可能影響國際合作。騰訊計劃推出後續版本，擴展圖像到圖像功能。
結論：HunyuanImage 3.0嘅開源之光
騰訊混元團隊嘅HunyuanImage 3.0以800億參數嘅多模態創新，重塑開源圖像AI格局。由數據篩選到後訓練優化，呢個模型唔單止領先基準測試，仲為全球開發者提供免費工具，推動AI普惠。未來Hunyuan有望激發更多應用，但亦需面對倫理同管制方面嘅挑戰。