一、摘要
HunyuanImage 3.0 是腾讯混元开源的原生多模态文生图模型，采用 MoE 架构与 Transfusion 思路统一训练文本与图像。据官方信息：总参数超 80B，推理每 token 激活约 13B；支持理解千词级提示、在图像中精准生成文字，并强调“具备世界知识的推理”。当前版本聚焦文生图，后续将扩展到图生图、编辑与多轮交互。
二、核心特性
1、MoE×原生多模态：统一自回归框架，深度耦合 LLM 与扩散生成。
2、大规模训练：5B 图文对与多源数据，配合 6T 文本语料（按官方口径）。
3、长提示对齐：复杂、千词提示的语义遵循更强。
4、文本可读性：在海报/GUI/表单等“图中文字”生成更稳定。
5、推理优化：兼容 FlashAttention、FlashInfer，支持多 GPU。
三、安装
1、环境：Linux，Python 3.12，PyTorch 2.7.1（CUDA 12.8）。
2、权重：从 Hugging Face 下载至本地目录（目录名避免包含“.”）。
3、依赖：pip install -r requirements.txt，可选安装 FlashAttention/FlashInfer。
4、示例：运行 run_image_gen.py --model-id ./HunyuanImage-3 --prompt "…" 即可生成。
四、典型用例
1、品牌海报/电商 Banner：要求清晰可读文字与复杂版式。
2、漫画与插画：长描述到多元素画面的一致性控制。
3、教育内容与表情包：风格统一、图中文字规范输出。
4、产品/UI 概念图：界面元素与布局文字的可控生成。
五、生态与竞品
1、生态：提供 GitHub 推理代码、Hugging Face 权重与本地 Gradio Demo；计划支持 VLLM、推出 Instruct/蒸馏与图生图等。
2、竞品：同属开源的 SDXL、SD3、FLUX 等多为 DiT 路线；HunyuanImage 3.0 以 MoE+原生多模态为差异点，长提示与文字渲染是主打方向。具体效果以公开基准与实测为准。
六、局限与注意事项
1、资源要求高：建议≥3×80GB 显存；首次启用加速库可能需额外编译时间。
2、许可合规：Hugging Face 显示为“tencent-hunyuan-community”许可证，使用前需仔细阅读仓库 LICENSE。
3、功能范围：当前仅文生图；图生图、编辑与多轮交互在路线图中。
4、提示工程：预训练权重不默认重写提示，Instruct 权重支持自我重写与“思考”链。
七、项目地址
https://github.com/Tencent-Hunyuan/HunyuanImage-3.0
八、常见问题
Q: HunyuanImage 3.0 的硬件需求是多少？
A: 官方建议磁盘约 170GB，显存≥3×80GB，CUDA 12.8 与 PyTorch 2.7.1。
Q: 如何提升推理速度？
A: 安装 FlashAttention 与 FlashInfer，并使用多 GPU 与合适的注意力/ MoE 实现。
Q: Instruct 与预训练权重有何区别？
A: 预训练侧重基础生成；Instruct 额外支持提示自重写与“思考”过程，长提示控制更强。
Q: 是否支持图生图与编辑？
A: 官方路线图中规划支持，当前版本聚焦文生图。
Q: 许可证能商用吗？
A: 依据“tencent-hunyuan-community”具体条款，请阅读仓库与模型卡的许可说明后评估。
