Điểm nổi bật
- Định vị: open text-to-image model hướng đến controllability thực dụng, không chỉ đua aesthetic score.
- Thông số chính: 8B DiT parameters, chạy được trên GPU 24GB VRAM, hỗ trợ poster, comic, storyboard và bố cục nhiều panel.
- Tính năng chính 1: mạnh ở text rendering, prompt dài và generation có cấu trúc.
- Tính năng chính 2: có quick start cho Diffusers và SGLang, giúp đưa vào pipeline tạo ảnh nhanh hơn.
Biểu đồ
Tóm tắt
ERNIE-Image nổi bật trên Hugging Face trending vì nó nhắm vào một nhu cầu rất thực, tạo ảnh có nhiều chữ, nhiều ràng buộc bố cục và yêu cầu bám prompt chặt. Đây là vùng mà nhiều model tạo ảnh open-weight thường cho hình đẹp nhưng khó dùng cho poster, infographic hay comic sản xuất thật.
Nếu nhìn từ góc doanh nghiệp, ERNIE-Image không chỉ là thêm một model ảnh nữa. Nó là tín hiệu cho thấy open model đang dịch sang các bài toán sáng tạo có tính thương mại cao, nơi tính kiểm soát quan trọng ngang với chất lượng thị giác.
Chi tiết
Thị trường text-to-image open source lâu nay có một điểm nghẽn quen thuộc, model có thể tạo ảnh rất ấn tượng về mặt thẩm mỹ nhưng lại hụt hơi khi người dùng cần nội dung có cấu trúc. Chỉ cần thêm nhiều đoạn chữ, nhiều đối tượng hoặc yêu cầu layout gần với poster, infographic hay comic, chất lượng thường giảm rõ. ERNIE-Image của Baidu nhắm thẳng vào khoảng trống này. Model card nhấn mạnh không chỉ visual quality mà còn controllability, text rendering và structured image generation, tức đúng các tình huống dùng trong marketing, thương mại điện tử, thiết kế truyền thông và storytelling nhiều khung hình.
Điểm đáng chú ý đầu tiên là thiết kế sản phẩm. ERNIE-Image dùng single-stream Diffusion Transformer kết hợp Prompt Enhancer nhẹ để biến prompt ngắn thành mô tả giàu cấu trúc hơn. Cách làm này khá thực dụng, vì phần đông người dùng doanh nghiệp không có thời gian viết prompt quá cầu kỳ. Nếu lớp enhancer làm việc tốt, model sẽ giảm đáng kể chi phí thử sai khi tạo các nội dung nhiều ràng buộc. Việc Baidu công khai benchmark về GENEval, OneIG và LongTextBench cũng cho thấy họ đang muốn chứng minh năng lực ở vùng prompt phức tạp chứ không chỉ ảnh đẹp một đối tượng.
Điểm thứ hai là rào cản triển khai. Model card nhấn mạnh model có thể chạy trên GPU consumer 24GB VRAM. Đây là chi tiết không nhỏ. Một model ảnh open-weight chỉ thực sự có giá trị rộng nếu studio nhỏ, đội tăng trưởng hay nhóm nghiên cứu nội bộ có thể chạy thử mà không cần cụm GPU quá đắt. Thêm vào đó, tài liệu có sẵn cả hướng dẫn Diffusers lẫn SGLang, giúp ERNIE-Image dễ được gắn vào pipeline tạo ảnh đang tồn tại.
Về góc chiến lược, ERNIE-Image cho thấy cuộc đua open model đã bớt thiên lệch về “đẹp là đủ”. Thị trường bắt đầu coi trọng mô hình nào tạo ra asset có thể dùng ngay cho công việc, đọc được chữ, giữ bố cục và bám yêu cầu. Đó là khác biệt lớn giữa demo hấp dẫn và công cụ sản xuất thật. Dĩ nhiên, model vẫn cần kiểm chứng rộng rãi hơn ở môi trường ngoài benchmark, đặc biệt với nhiều ngôn ngữ và workflow bản địa hóa. Nhưng chỉ riêng việc một model open-weight đẩy mạnh bài toán text-heavy, multi-panel và instruction fidelity cũng đã là tín hiệu đáng đọc cho người theo dõi AI sáng tạo.