GPT-4o 在3月底掀起的“吉卜力”風潮過去還沒多久，字節又加入了圖像生成競賽。

4月15日，字節Seed團隊發布了中英雙語圖像生成基礎模型 Seedream 3.0，主要在文本渲染能力增強、美學質量提升、原生高分辨率輸出、高效推理成本方面進行了優化。

Seedream 3.0支持原生 2K 分辨率圖像生成，無需后處理，同時兼容更高分辨率，適應多種比例輸出。在不使用位置編碼（PE）情況下，生成一張 1K 分辨率圖像僅需約 3 秒，速度遠超當前主流商用模型。

字節還針對 CT（對比學習）和 SFT（監督微調）階段的數據，專門訓練了多個版本的字幕模型。這些描述模型覆蓋了美學、風格、版式等多個專業領域，極大增強了 Seedream 3.0 對提示詞的響應能力。
?
Seedream 3.0 繼續采用 MMDiT 架構來處理圖像和文本的 token。團隊采用混合分辨率訓練策略，在每一階段訓練中，將不同縱橫比和分辨率的圖像打包在一起進行訓練。為提高泛化能力，團隊將 2.0 中的 Scaling RoPE 擴展為“跨模態 RoPE”，進一步增強圖文 token 之間的對齊能力。
?
與2.0 中采用 CLIP 作為獎勵模型不同，Seedream 3.0 使用視覺-語言模型（VLMs）作為獎勵建模框架，將指令明確地構建為查詢（Query），并通過“Yes”響應 token 的歸一化概率來計算獎勵值。獎勵模型的規模也從 10 億參數擴展到了 200 億以上。

字節在論文中表示，在人工智能評測平臺 Artificial Analysis 的公開測試中，Seedream 3.0 在多個維度表現領先，位居圖文生成模型榜首，超越 GPT-4o、Midjourney v6.1、Imagen 3 等主流模型。
?
另外，字節還特地跟GPT-4o進行了對比。

OpenAI 的 GPT-4o 雖具強大多模態能力，但在圖像生成方面仍存在短板。對比顯示，Seedream 3.0 在中文文本渲染、圖像編輯一致性和整體畫質上表現更優。

GPT-4o 擅長英文小字與符號，但中文排版欠佳；圖像編輯功能靈活，卻難保原圖一致性。SeedEdit 則在保留人物 ID 和提示詞遵循上更穩健。畫質方面，Seedream 圖像更清晰自然，而 GPT-4o 常出現偏色和噪點。