HiDream-ai/HiDream-O1-Image · Hugging Face

来源：https://huggingface.co/HiDream-ai/HiDream-O1-Image

HiDream-O1-Image 是一个原生统一图像生成基础模型，基于像素级统一 Transformer（UiT）构建，无需外部 VAE 或独立文本编码器。它在单一共享 token 空间中原生编码原始像素、文本和任务特定条件，支持文本生成图像、图像编辑和主体驱动个性化，分辨率最高可达 2,048 × 2,048。

HiDream-O1-Image（代号：Peanut）在 Artificial Analysis 文本生成图像竞技场中首发排名第 8，有望成为新的领先开源文本生成图像模型（2026-5-5）。

Artificial Analysis 文本生成图像竞技场 Artificial Analysis 文本生成图像竞技场 分辨率最高可达 2,048 × 2,048。

通用文本生成图像 通用文本生成图像 分辨率最高可达 2,048 × 2,048。

长文本渲染与排版 长文本渲染与排版控制 — 精准、多区域、多语言文字渲染。

主体驱动个性化 主体驱动个性化 — 在新场景中保留身份/IP。

https://huggingface.co/HiDream-ai/HiDream-O1-Image#project-updates项目动态

• 🚀2026 年 5 月 8 日： 我们已开源 HiDream-O1-Image（8B），包括未蒸馏版和蒸馏 Dev 变体，以及推理驱动提示词智能体。

https://huggingface.co/HiDream-ai/HiDream-O1-Image#key-features核心特性

• 🧬像素级统一 Transformer — 端到端处理原始像素的单一模型，无 VAE，无独立文本编码器。
• 🎨一个模型，多种任务 — 单一架构支持文本生成图像、长文本渲染、指令编辑、主体驱动个性化和分镜生成。
• 🧠推理驱动提示词智能体 — 内置“思考“智能体，在生成前解析隐含知识、排版和文字渲染需求。
• 🖼️原生高分辨率 — 直接合成最高 2,048 × 2,048 的图像，细节清晰精细。
• ⚡8B 规模下的卓越效率与通用性 — 仅凭 80 亿参数，性能与更大的开源 DiT 模型及领先的闭源模型持平甚至超越。

https://huggingface.co/HiDream-ai/HiDream-O1-Image#models模型

https://huggingface.co/HiDream-ai/HiDream-O1-Image#evaluation评估

我们在五个广泛使用的评测套件上对 HiDream-O1-Image 与最先进的开源和闭源模型进行了对比测试，涵盖组合生成、密集提示对齐、人类偏好、复杂视觉文字生成和长文本渲染。每张表格中，最佳结果以粗体标注，次优结果加下划线标注。点击任意基准测试可展开或收起。

GenEval — 组合生成

DPG-Bench — 密集提示对齐

HPSv3 — 12 类别人类偏好

CVTG-2K — 复杂视觉文字生成（点击展开）

LongText-Bench — 长文本渲染，英文 & 中文（点击展开）

https://huggingface.co/HiDream-ai/HiDream-O1-Image#installation安装

1. 克隆本仓库：

git clone https://github.com/HiDream-ai/HiDream-O1-Image.git cd HiDream-O1-Image

2. 安装所需依赖：

pip install -r requirements.txt

关于 flash\-attn 的说明。 我们强烈推荐安装 flash\-attn（https://github.com/Dao-AILab/flash-attention）以优化注意力计算。如果您未安装（或无法安装）flash\-attn，必须编辑 models/pipeline\.py 第 291 行，将 "use\_flash\_attn": True 改为 "use\_flash\_attn": False — 否则推理时将因无法导入内核而失败。

https://huggingface.co/HiDream-ai/HiDream-O1-Image#reasoning-driven-prompt-agent推理驱动提示词智能体

HiDream-O1-Image 内置了推理驱动提示词智能体（prompt\_agent\.py），能够显式推理排版、主体属性、物理逻辑和文字渲染细节，然后将原始用户指令改写为自洽的英文提示词。它支持两种后端 — 通过 \-\-backend 参数选择。

该智能体会输出一个包含三个字段的 JSON 对象：prompt（改写后的英文提示词）、reasoning（推理过程）和 resolved\_knowledge（已解析的知识）。将 prompt 字段输入 inference\.py，可在复杂的重推理请求上获得最佳效果。

https://huggingface.co/HiDream-ai/HiDream-O1-Image#option-a–local-backend-gemma-4-31b-it方案 A — 本地后端（Gemma-4-31B-it）

1. 下载 Gemma 权重（需在 HuggingFace 上接受 Gemma 许可协议）：

huggingface-cli download google/gemma-4-31B-it --local-dir /path/to/gemma-4-31B-it

2. 在本地运行改写器：

python prompt_agent.py \ --backend local \ --model_id /path/to/gemma-4-31B-it \ --prompt "李白的静夜思写在古墙上"

https://huggingface.co/HiDream-ai/HiDream-O1-Image#option-b–external-openai-compatible-api方案 B — 外部 OpenAI 兼容 API

通过提供 \-\-base\_url、\-\-api\_key 和 \-\-model\_name，可使用任意 OpenAI 兼容的端点（OpenAI、Azure、vLLM、SGLang、DeepSeek 等）：

python prompt_agent.py \ --backend api \ --base_url https://api.openai.com/v1 \ --api_key $OPENAI_API_KEY \ --model_name deepseek-v4-pro \ --prompt "李白的静夜思写在古墙上"

https://huggingface.co/HiDream-ai/HiDream-O1-Image#usage使用方法

推理需要支持 CUDA 的 GPU。以下示例使用未蒸馏模型（\-\-model\_type full）；最后一小节介绍如何使用蒸馏模型（\-\-model\_type dev）执行相同任务。

https://huggingface.co/HiDream-ai/HiDream-O1-Image#1-text-to-image-generation1. 文本生成图像

根据文本提示词生成图像：

python inference.py \ --model_path /path/to/HiDream-O1-Image \ --prompt "medium shot, eye-level, front view. A woman is seated in an ornate bedroom, illuminated by candlelight, with a calm and composed expression. The subject is a young woman with fair skin, light brown hair styled in an updo with loose tendrils framing her face, and blue eyes. She wears a cream-colored satin robe with delicate floral embroidery and lace trim along the neckline. Her ears are adorned with pearl drop earrings. She is seated on a bed with a dark, intricately carved wooden headboard. To her left, a wooden nightstand holds three lit white candles and a candelabra with multiple lit candles in the background. The bed is covered with patterned pillows and a dark, textured blanket. The walls are paneled with dark wood and feature a large, ornate tapestry with muted earth tones. The lighting creates soft highlights on her face and robe, with warm shadows cast across the room." \ --output_image results/t2i.png \ --height 2048 \ --width 2048

https://huggingface.co/HiDream-ai/HiDream-O1-Image#2-instruction-based-image-editing2. 基于指令的图像编辑

提供单张参考图像和一条编辑指令：

python inference.py \ --model_path /path/to/HiDream-O1-Image \ --prompt "remove the earphones" \ --ref_images assets/edit/test.jpg \ --output_image results/edit.png \ --keep_original_aspect

https://huggingface.co/HiDream-ai/HiDream-O1-Image#3-multi-reference-subject-driven-personalization3. 多参考图像主体驱动个性化

提供两张或多张定义主体的参考图像，以及将其置于新场景的提示词：

python inference.py \ --model_path /path/to/HiDream-O1-Image \ --prompt "A young boy with blonde hair stands on steps wearing light blue jeans, a white t-shirt with logo, and blue and white sneakers. He wears a brown cord necklace with beads, a black wristwatch with digital display, and carries a yellow fanny pack with white zipper. In his hand is a red boxing glove with white top, a teal plastic toy car, and a plastic toy figure of Captain America. He wears a straw hat with cream band. Natural light illuminates the scene." \ --ref_images assets/IP/1.jpg assets/IP/2.jpg assets/IP/3.jpg assets/IP/4.jpg assets/IP/5.jpg assets/IP/6.jpg assets/IP/7.jpg assets/IP/8.jpg assets/IP/9.jpg assets/IP/10.jpg \ --output_image results/subject.png

https://huggingface.co/HiDream-ai/HiDream-O1-Image#4-running-with-the-dev-model4. 使用 Dev 模型运行

以上三种任务均可使用 Dev 模型运行，只需将 \-\-model\_path 切换为 Dev 检查点并设置 \-\-model\_type dev。例如：

python inference.py \ --model_path /path/to/HiDream-O1-Image-Dev \ --prompt "A dog holds a sign that says \"HiDream-O1-Image release.\"" \ --output_image results/t2i_dev.png \ --model_type dev

https://huggingface.co/HiDream-ai/HiDream-O1-Image#command-line-arguments命令行参数

• \-\-model\_path：完整 HuggingFace 模型目录的路径（未蒸馏或蒸馏版本）。
• \-\-prompt：生成或编辑任务的文本提示词。
• \-\-ref\_images：一张或多张参考图像的路径（可选；以空格分