5月16日，騰訊推出了其新一代圖像生成模型——混元圖像2.0（Hunyuan Image 2.0），號稱將圖像生成速度提升至“毫秒級”。

何謂“毫秒級”？答案可能令人大吃一驚：當用戶在輸入提示詞的同時，即可看到圖像的實時變化，所見即所得。

騰訊表示，得益于超高壓縮倍率的圖像編解碼器以及全新擴散架構，該模型參數量提升了一個數量級，實現了毫秒級響應速度，改變了傳統“抽卡—等待—抽卡”的方式，帶來交互體驗革新。

混元圖像 2.0 不僅實現了"邊說邊畫"的實時互動，還在模型架構和生成質量上實現了全面飛躍。在GenEval基準測試中，混元圖像2.0模型的準確率超過95%，遠超其他同類模型，證明了其在復雜文本指令理解與生成方面的卓越能力。

交互革新："邊打字邊出圖"的新范式

實際測試顯示，混元圖像2.0能夠實現"一邊打字一邊出圖"的完全實時反饋，用戶輸入提示詞的過程中，畫面會隨著文字變化而實時調整。

例如輸入"人像攝影，愛因斯坦，背景是東方明珠電視塔，自拍角度"，系統能夠實時生成符合描述的圖像，并在每個新元素添加時立即更新畫面。

人物的表情也可以瞬間改變，比如讓愛因斯坦吐舌頭：

除此之外，還可以連續對畫面增加或修改多個細節：一個女生，亞洲面孔，大眼睛，笑容燦爛，長頭發，穿中式服裝，戴上帽子，手繪風格。

動漫風、編織風等，效果也都不錯：

這種實時反饋機制徹底打破了傳統"輸入提示詞→等待數秒→查看結果→調整重試"的繁瑣流程，大幅降低了創作門檻，使得創意表達更加流暢連貫。

超寫實畫質：真實感與細節的完美結合

除了速度，混元圖像2.0在圖像質量上也取得了顯著提升。

通過強化學習等算法以及引入大量人類美學知識對齊，生成的圖像有效避免了AIGC圖像的“AI味”，呈現出更真實的質感和更豐富的細節。

GenEval 評估基準測試顯示，騰訊混元圖像2.0模型準確率超過95%，遠超同類模型。 這種高保真度的圖像生成能力，對需要高質量素材的行業（如廣告、設計等）有著巨大的吸引力。

圖像二次編輯：圖生圖的強大功能

混元圖像2.0不僅支持文字生成圖像，還提供了強大的“圖生圖”功能。可提取參考圖的主體或輪廓特征，對現有圖像進行二次編輯。

這種能力極大地拓展了該模型的使用場景， 從給寵物生成個性化照片到專業的設計創作，用戶都能輕松駕馭。 比如上傳一張貓咪照片，圖像參考強度設定為92，讓貓咪眼睛變大，在草地上，戴上皇冠。

例如，用戶可以上傳一張蛋糕照片，然后通過簡單指令將巧克力味改成草莓味，同時保持形狀和擺放與參考圖一致。

還可以實時對圖片進行風格的修改，添加小元素，對比和原圖的效果。比如下面的例子，通過一張小貓的圖片，生成“家居貓、公主貓、古惑仔貓”。

此外，還支持一鍵為簡筆畫上色，以及"畫面優化"功能，自動改進構圖、景深和光影效果。

實時繪畫板：專業設計師的生產力工具

除了實時文生圖，混元圖像 2.0 還提供了實時繪畫板功能。

基于模型的實時生圖能力，用戶在繪制線稿或調整參數時，預覽區同步生成上色效果，突破了傳統“繪制-等待-修改”的線性流程，可助力專業設計師的創作。

實時繪畫板支持多圖融合，用戶上傳多圖后，可將多個草圖疊加至同一畫布自由創作，經過AI 自動協調透視與光影，按照提示詞內容生成融合圖像，進一步豐富了AI生圖的交互體驗。

這一功能特別適合有初步設計想法但缺乏專業繪畫能力的用戶。

技術進步：五大關鍵突破

據科技媒體量子位分析，混元圖像 2.0 的背后是五項關鍵技術突破：

1. 更大的模型尺寸：相比前代產品，參數量提升了一個數量級，顯著提高了性能上限。
   
2. 超高壓縮倍率的圖像編解碼器：騰訊混元團隊自研編解碼器大幅降低了圖像編碼序列長度，同時通過對信息瓶頸層的優化和強化對抗訓練，保證了細節生成能力。
   
3. 多模態大語言模型作為文本編碼器：區別于CLIP、T5等傳統架構的淺層語義解析，通過適配多模態大語言模型，顯著提升了語義匹配能力，在GenEval等客觀指標上超越同類產品。
   
4. 全尺度多維度強化學習后訓練：基于"慢思考"獎勵模型，通過通用后訓練與美學后訓練，有效提升圖片生成的真實感。
   
5. 自研對抗蒸餾方案：基于隱空間一致性模型，將去噪軌跡上的任意點直接映射到軌跡生成樣本，實現少步高質量生成。
   

有不少網友創作者發來了體驗：

圖源自創作者一只小娜娜

社交平臺X上的網友表示：

“令人印象深刻的創新！通過實時 AI 圖像生成重新定義創造力。”

還有人表示：

“虛幻\絕對虛幻。很想探索這個”

“實時圖像生成/修改有可能開辟一些瘋狂的新機會和想法。”

“這聽起來很神奇！速度和質量改變了游戲規則。迫不及待地想看看大家用它創造了什么！”