晓静 2025-05-20 16:56 北京
一边打字，一边生成图片。
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。
