作為Nano Banana邪修，

哪里有好用的圖像模型，哪里就有我的身影，

這次發(fā)動了面子果實，提前拿到了騰訊混元圖像3.0的內(nèi)測！

hunyuan.tencent.com/image

長話短說，

混元圖像3.0是首個工業(yè)級原生多模態(tài)生圖模型，參數(shù)規(guī)模80B（又是值得我更新硬件的一天），是開源界又一個閃耀的星星啊星星。

現(xiàn)在混元官網(wǎng)已經(jīng)可以用，后續(xù)也會在元寶中逐步上線！

懂得都懂啊，這年頭，光生圖已經(jīng)不夠用了，

混元圖像3.0自帶世界知識，能推理后生成圖片，可以理解千字級別的復(fù)雜提示語，長文本文字和小文字都可以生成。

這聽起來不就是像是把Nano Banana開源了嗎？

我必須馬上來個對比，

真的沒有比這個更合適的了，能同時看到Nano Banana、GPT-4o和混元圖像3.0的效果對比，好不好一眼就知道，有沒有水分一秒就能看出來。

老規(guī)矩啊，這次的高清圖和提示語都整理好放文檔了，公眾號回復(fù)“混元3”就可以啦

熱知識，混元圖像3.0剛上線就可以限制尺寸，1:1、3:4、4:3、9:16、16:9，都是很實用的尺寸。

第一類我先考考混元圖像3.0的世界知識，首先我們需要知道什么是世界知識，

簡單來說，生圖模型的世界知識就是模型在大規(guī)模圖文訓(xùn)練中學(xué)到的關(guān)于“這個世界怎樣運作”的常識與事實，用來在看不見或沒被嚴格描述的細節(jié)上做出合理補全與推理。

也就是說，當(dāng)我沒把所有細節(jié)都說清楚時，模型仍然能給我“像真的一樣”的合理細節(jié)與布局，這部分能力就是它的世界知識。

而這一方面，我可以說混元圖像3.0目前做的是數(shù)一數(shù)二的好。

首先來個最簡單的，生成一個古代劍客的三視圖，這里混元需要了解兩個知識“什么是古代劍客”和“什么是三視圖”。很明顯，混元非常輕松的做到了，不僅正確的輸出了人物形象、做出了三個角度的展示、也保持了形象一致。而且我還能直接用混元3D做一個模型出來。

你可能以為這很簡單啊，現(xiàn)在生圖模型一般都能做得到吧，但當(dāng)我把同樣的提示語丟給nano banana時，我得到的效果是這樣的，嗯，也算是三視圖吧，但有幾個正常人畫人物三視圖會畫一個俯視圖呢，這是反一般常識的，而且人物佩劍的方向也不一致。

難度再再上升一級！我直接開始來到學(xué)術(shù)領(lǐng)域，以往我在寫論文的時候，經(jīng)常會因為想要圖解某些概念或者流程而苦惱到頭禿，這東西自己做真的太太太耗時了，不做呢文章又太單調(diào)不清晰，但現(xiàn)在混元圖像3.0可以幫我做了。

生成一張期刊風(fēng)學(xué)術(shù)插圖：白底、黑灰主色，彩色僅用于層級（嵌入/多頭注意力/FFN/殘差/LayerNorm）。要求在圖中準確渲染以下中文標簽與箭頭：

「輸入序列」→「詞嵌入/位置編碼」→「編碼器層（多頭自注意力→加殘差→層歸一化→前饋網(wǎng)絡(luò)→加殘差→層歸一化）」→「解碼器層（掩碼自注意力→交叉注意力→前饋）」→「線性層/Softmax」。角注：超參數(shù)示例 d_model=768, heads=12；圖例清晰，字體無襯線

而且如此多的文字，混元依然能保持95%以上的文字穩(wěn)定，同時讓所有的元素都在該在的位置上。這我甚至不需要和nano banana對比，畢竟它做不了中文。。。。。

為了驗證這張圖片的正確性，我特意讓Gemini評價了一下，可見混元圖像3.0的能力真的可以。

在這個基礎(chǔ)上，我甚至能完成一系列比如溫室效應(yīng)解釋、植物光合作用演示、海洋水循環(huán)、火山內(nèi)部構(gòu)造和噴發(fā)原理以及條形磁鐵的磁場展示的科普圖片制作。

這個畫面的精細程度和文字的準確對應(yīng)，將大大提高圖片的實用性，以后不管是給小朋友的科普或者是我們想要學(xué)習(xí)鞏固某些原理都可以用混元制作相關(guān)的圖片輔助我們學(xué)習(xí)和記憶。

那在如此強大的世界知識的支持下，混元圖像3.0對于提示語的理解和遵循能力自然也是強上又強，我直接來幾組和nano banana的對比。

（以下均為左圖混元圖像3.0，右圖nano banana）

同一盆花從早晨到夜晚的三連景：含苞→盛開→萎蔫；只有正午時有蝴蝶停駐。

這個主要測試的模型對于時態(tài)和狀態(tài)對應(yīng)的理解和執(zhí)行能力哦。一目了然，banana的花在早上沒有含苞而是直接開放了。

兩位登山者，前者在焦點上、后者虛化；前者穿黃夾克，后者紅帽子但不戴墨鏡

對于焦點和人物特征的展示，依然是混元圖像3.0展示得比較準確，banana對于否定詞的識別還需要增強。

水墨與現(xiàn)代極簡融合，留白大，遠山淡墨，中景亭臺小人點景，題跋落款。

提示語提到了“水墨和現(xiàn)代的融合”，很明顯混元的畫面中更具備“現(xiàn)代亭子”的極簡線條風(fēng)格，甚至還能配出書法字體的題字，而banana就只是水墨而已。

畫五只鳥：有三只停在左側(cè)同一樹枝上，另外兩只在右側(cè)天空飛行，左側(cè)三只中恰有一只是紅色，其余灰色；天空透明漸變。

這張圖兩個模型都執(zhí)行到位了，但在這個基礎(chǔ)上，我覺得混元圖像3.0的畫面精細度更高，不管是鳥還是樹枝都更漂亮。

那提到這，其實也能感受到目前混元圖像3.0的美學(xué)表現(xiàn)也還不錯，支持多種美學(xué)風(fēng)格的呈現(xiàn)，能準確的傳達出不同風(fēng)格的特點。

所以最后，我準備玩一個終終終極挑戰(zhàn)，將我們前面講到的世界知識和混元圖像3.0的長長長文本能力結(jié)合一起來，玩一組高難度的海報。

城市公共安全提示（多級標題 + 列表 + 地鐵圖例） 畫幅：1080×1920；明黃底 + 黑字高可讀；圖標統(tǒng)一。 主標題： 「臺風(fēng)藍色預(yù)警｜今夜至明晨」 重點提示（大字粗體）： 「請減少外出，遠離海邊與低洼地帶」 分項清單（帶序號與圖標）： 「1. 取消一切沿海戶外活動 2. 檢查門窗與陽臺固定物 3. 電動車停止戶外充電 4. 地鐵 2/5 號線末班車提前至 22:30」 應(yīng)急電話橫條： 「市應(yīng)急：12345｜供電：95598｜排水：12319」 小字提示： 「*如遇道路積水，請勿涉水行車；切勿在樹下、電線旁避雨。」 元素：警示三角徽章、地鐵圖例小卡、二維碼鏈接“實時路況”。

可以看到圖標和標識語精準對應(yīng)，大小標題和文字內(nèi)容都完美呈現(xiàn)出來了。

黑客松（賽題 + 時間軸 + 評審標準） 畫幅：1080×1920；霓虹賽博；矩陣網(wǎng)格。 標題： 「HACK?48 小時」 賽題方向： 「Agent 工具鏈｜多模態(tài)搜索｜隱私計算｜小型端側(cè)模型」 時間軸： 「Day0 講解&組隊｜Day1 開發(fā)｜Day2 路演與頒獎」 評審標準（比例）： 「技術(shù)難度 30%｜產(chǎn)品價值 30%｜體驗 20%｜演示 20%」 獎勵： 「冠軍 ￥50,000 + 云資源｜優(yōu)秀獎 若干」 元素：像素徽章、倒計時角標、二維碼報名。

賽博風(fēng)格展現(xiàn)的很完美，同時連48小時倒計時的角標都呈現(xiàn)出來了，這個理解能力真的不一般。

【世界遺產(chǎn)名錄·經(jīng)典案例拼貼】 世界知識：UNESCO 世界遺產(chǎn)示例（長城、馬丘比丘、吉薩金字塔、雅典衛(wèi)城等等9個世界遺產(chǎn)），注明國家與列入年份。 版式：A1橫式，等大小影像格網(wǎng) 3×3。文案： 標題：人類的共同記憶 注：本頁為示例拼貼，版權(quán)歸原作者/機構(gòu)所有 字體：思源黑體（標題），思源宋體（說明）。 配色：象牙白底，金色分隔線。 主視覺：高質(zhì)量剪影/貼圖（風(fēng)格統(tǒng)一）。 印刷與導(dǎo)出：CMYK；出血 3mm；圖像分辨率≥300 dpi。 細節(jié)約束：國家名中英并列；年份緊靠項目名右側(cè)小號標注。

這是終終極case！我在提示語中只給舉出四個例子，需要混元圖像3.0自行補充全部9個世界遺產(chǎn)的名稱、所屬國家、列入年份等等關(guān)鍵信息，混元圖像3.0都一一做到了，這我能說啥，我只剩震驚了。

所以，我現(xiàn)在就在蹲蹲騰訊會不會連夜加班，

把圖生圖的功能做出來，

我假期想用啊啊啊啊啊，

挺急的。

@ 作者 / 卡爾 & 阿湯

最后，感謝你看到這里如果喜歡這篇文章，不妨順手給我們點贊｜在看｜轉(zhuǎn)發(fā)｜評論

如果想要第一時間收到推送，不妨給我個星標

更多的內(nèi)容正在不斷填坑中……