Điểm nổi bật
- Tốc độ: chỉ cần 8 inference steps cho bản Turbo
- Năng lực nổi bật: mạnh ở text rendering, instruction following và bố cục nhiều panel
- Khả năng triển khai: có thể chạy trên GPU tiêu dùng 24GB VRAM
- Tín hiệu cạnh tranh: benchmark công bố đặt model cạnh Qwen-Image, GLM-Image, FLUX và Seedream
Biểu đồ
Tóm tắt
ERNIE-Image-Turbo là một phát hành open model đáng chú ý trên Hugging Face vì nó đi vào đúng điểm nghẽn của thị trường text-to-image hiện nay: tốc độ suy luận và khả năng tạo ảnh có cấu trúc. Thay vì chỉ đua chất lượng ảnh chung chung, model nhấn mạnh các tình huống thực dụng như poster, infographic, storyboard hay ảnh có nhiều chữ.
Điểm khiến bản Turbo đáng theo dõi là lựa chọn distillation từ ERNIE-Image gốc để giữ khả năng bám lệnh nhưng giảm mạnh số bước suy luận xuống còn 8. Đây là hướng đi rất phù hợp cho ứng dụng thương mại cần latency thấp hơn là chỉ chasing benchmark đẹp.
Chi tiết
Theo mô tả trên trang Hugging Face, ERNIE-Image-Turbo là bản distilled của ERNIE-Image, vẫn thuộc họ single-stream Diffusion Transformer nhưng được tối ưu bằng DMD và RL để tạo ảnh nhanh hơn. Thông điệp sản phẩm rất rõ: không chỉ tạo ảnh đẹp, mà tạo ảnh có thể dùng trong các tình huống yêu cầu bám hướng dẫn, dựng bố cục và render chữ tương đối ổn, trong khi vẫn giữ latency đủ thấp để triển khai thực tế.
Đây là hướng đi đáng chú ý vì thị trường open source text-to-image đang bước vào giai đoạn cạnh tranh mới. Trước đây, tiêu chí nổi bật thường là chất lượng thẩm mỹ hoặc kích cỡ model. Nhưng khi ứng dụng AI hình ảnh đi vào sản phẩm thật, đặc biệt ở mảng thiết kế, marketing và nội dung doanh nghiệp, ba yếu tố khác nổi lên: tốc độ, khả năng làm việc với prompt dài và độ ổn định khi phải dựng layout có chữ. ERNIE-Image-Turbo cố định vị đúng ở giao điểm đó.
Trang model card nhấn mạnh nhiều năng lực cụ thể: text rendering tốt hơn cho các tác vụ nhiều chữ, instruction following đáng tin cậy với prompt nhiều đối tượng và quan hệ phức tạp, và structured generation phù hợp cho poster, comics, storyboard hay multi-panel layout. Những điểm này quan trọng vì đây là các use case mà nhiều open model sinh ảnh trước đây thường làm chưa tốt. Việc model có thể chạy trên GPU tiêu dùng 24GB VRAM càng hạ thấp rào cản thử nghiệm cho nhóm nghiên cứu ứng dụng và startup nhỏ.
Một phần giá trị khác nằm ở benchmark công bố khá trực diện. ERNIE-Image-Turbo được đặt cạnh các tên đáng chú ý như Qwen-Image, GLM-Image, FLUX.2-klein-9B, Seedream hay Z-Image trên các bộ Geneval, OneIG và LongTextBench. Dù benchmark nội bộ luôn cần đọc với sự dè dặt, việc công bố theo cấu trúc use case cụ thể, nhất là bài toán text và long text, cho thấy Baidu đang cố định vị model này như một công cụ thực dụng hơn là một demo thị giác.
Tất nhiên, hạn chế cũng khá rõ. Hệ sinh thái open image model đang thay đổi rất nhanh, nên lợi thế benchmark có thể ngắn hạn. Ngoài ra, việc triển khai thật vẫn phụ thuộc mạnh vào chất lượng pipeline, prompt enhancer và môi trường GPU. Nhưng nếu nhìn dưới góc độ chiến lược, ERNIE-Image-Turbo cho thấy cuộc đua open source đã bớt xoay quanh “ảnh có đẹp không” và bắt đầu xoay quanh “ảnh có dùng được trong workflow sản xuất không”. Đó là thay đổi quan trọng, và là lý do model này đáng được đưa vào radar.