Ernie Image: Open-source bildegenerering med tekstkontroll
Baidu har lansert ERNIE-Image – en open-source bildemodell som gjør noe de fleste konkurrenter sliter med: generere lesbar tekst direkte i bildet. Med Apache 2.0-lisens og støtte for en enkelt forbrukergpu kjører den lokalt, uten API-avhengighet.
Et vanvittig steg for tekstgjengivelse
Lesbar tekst i AI-genererte bilder har lenge vært en akilleshæl for bransjen.
ERNIE-Image er bygget på en 8-milliarder-parameter Diffusion Transformer (DiT) med spesiell styrke i nøyaktig tekstgjengivelse inne i bilder – skilt, plakater og tegneserierutor på både engelsk og kinesisk.
- Scorer 0,9733 på LongTextBench – et benchmark designet spesifikt for tekstgjengivelse
- Håndterer tett, layoutsensitiv tekst i én enkelt genereringsprosess
- Fungerer uten etterprosessering eller inpainting
Dette gjør den særlig nyttig for designere som lager markedsmateriell, infografikk og reklamebilder.
Den innebygde prompt-forbedringen
Modellen leveres med en 3B-parameter "Prompt Enhancer" som automatisk utvider korte instruksjoner til detaljerte beskrivelser.
Tanken er enkel: du trenger ikke være ekspert på prompting for å få profesjonelle resultater.
- Tar ditt enkle innspill og omskriver det til rik, strukturert tekst
- Aktiveres med én parameter:
use_pe=True - Gir bedre output uten manuelt promptarbeid
GENEval-scoren med enhanceren aktivert er 0,8728 – mot 0,8856 på single-object-tester.
To versjoner for ulike arbeidsflyter
ERNIE-Image (Base)
Anbefalt for endelig produksjon av plakater, flerkolonne-layouts og alt der tekstlesbarhet ikke kan kompromitteres. Kjøres med ca. 50 samplingssteg og gir høyest benchmark-score.
ERNIE-Image-Turbo
Destillert ned til 8 samplingssteg via DMD og forsterkningslæring – opptil 6 ganger raskere enn base. Benchmarks viser svært liten kvalitetsforskjell sammenlignet med hastighetsgevinsten.
- Ideell for rask prototyping og iterasjon
- Bruker identisk 24 GB GPU-fotavtrykk
- Tilgjengelig som live demo i nettleseren uten installasjon
Hvorfor dette er viktig
Open-source bildegenerering har lenge vært dominert av større, lukket teknologi. ERNIE-Image fyller et reelt gap.
- Kjører på én forbrukergpu med 24 GB VRAM
- Apache 2.0: gratis for kommersiell bruk, finjustering og redistribusjon
- Ingen API-kvote, ingen leverandørlås
For team som jobber med innholdsproduksjon i skala er dette en modell som faktisk kan plugges inn i en produksjonspipeline – ikke bare brukes til demo-moro.
Oppsummering
ERNIE-Image beviser at større ikke alltid er bedre. Med smart arkitektur, en innebygd prompt-forbedrer og eksepsjonell tekstkontroll har Baidu levert et verktøy som kan konkurrere med de beste – og kjøres lokalt, gratis, med full kontroll.
- 8B DiT, Apache 2.0, 24 GB VRAM
- Sterkest på tekstgjengivelse i open-source-klassen
- To varianter: Base (kvalitet) og Turbo (hastighet)
Nå gjenstår det å se om benchmarkene holder i ordinær bruk – men dette er et av de mest relevante open-source-slippene for kreative team så langt i 2026.
