Technischer Bericht zu HunyuanImage 3.0
HunyuanImage 3.0 Technical Report
September 28, 2025
papers.authors: Siyu Cao, Hangting Chen, Peng Chen, Yiji Cheng, Yutao Cui, Xinchi Deng, Ying Dong, Kipper Gong, Tianpeng Gu, Xiusen Gu, Tiankai Hang, Duojun Huang, Jie Jiang, Zhengkai Jiang, Weijie Kong, Changlin Li, Donghao Li, Junzhe Li, Xin Li, Yang Li, Zhenxi Li, Zhimin Li, Jiaxin Lin, Linus, Lucaz Liu, Shu Liu, Songtao Liu, Yu Liu, Yuhong Liu, Yanxin Long, Fanbin Lu, Qinglin Lu, Yuyang Peng, Yuanbo Peng, Xiangwei Shen, Yixuan Shi, Jiale Tao, Yangyu Tao, Qi Tian, Pengfei Wan, Chunyu Wang, Kai Wang, Lei Wang, Linqing Wang, Lucas Wang, Qixun Wang, Weiyan Wang, Hao Wen, Bing Wu, Jianbing Wu, Yue Wu, Senhao Xie, Fang Yang, Miles Yang, Xiaofeng Yang, Xuan Yang, Zhantao Yang, Jingmiao Yu, Zheng Yuan, Chao Zhang, Jian-Wei Zhang, Peizhen Zhang, Shi-Xue Zhang, Tao Zhang, Weigang Zhang, Yepeng Zhang, Yingfang Zhang, Zihao Zhang, Zijian Zhang, Penghao Zhao, Zhiyuan Zhao, Xuefei Zhe, Jianchen Zhu, Zhao Zhong
cs.AI
papers.abstract
Wir präsentieren HunyuanImage 3.0, ein natives multimodales Modell, das multimodales Verstehen und Generierung innerhalb eines autoregressiven Frameworks vereint, wobei sein Bildgenerierungsmodul öffentlich zugänglich ist. Die Leistung von HunyuanImage 3.0 basiert auf mehreren Schlüsselkomponenten, darunter sorgfältige Datenkuratierung, fortschrittliche Architekturdesigns, ein natives Chain-of-Thoughts-Schema, progressives Modell-Pre-Training, aggressives Modell-Post-Training und eine effiziente Infrastruktur, die groß angelegtes Training und Inferenz ermöglicht. Mit diesen Fortschritten haben wir erfolgreich ein Mixture-of-Experts (MoE)-Modell trainiert, das insgesamt über 80 Milliarden Parameter umfasst, wobei pro Token während der Inferenz 13 Milliarden Parameter aktiviert werden, was es zum größten und leistungsstärksten Open-Source-Bildgenerierungsmodell macht, das bisher verfügbar ist. Wir haben umfangreiche Experimente durchgeführt, und die Ergebnisse der automatischen und menschlichen Bewertung der Text-Bild-Ausrichtung und visuellen Qualität zeigen, dass HunyuanImage 3.0 mit früheren State-of-the-Art-Modellen konkurrieren kann. Durch die Veröffentlichung des Codes und der Gewichte von HunyuanImage 3.0 möchten wir der Community ermöglichen, neue Ideen mit einem State-of-the-Art-Foundation-Modell zu erkunden und so ein dynamisches und lebendiges multimodales Ökosystem zu fördern. Alle Open-Source-Assets sind öffentlich unter https://github.com/Tencent-Hunyuan/HunyuanImage-3.0 verfügbar.
English
We present HunyuanImage 3.0, a native multimodal model that unifies
multimodal understanding and generation within an autoregressive framework,
with its image generation module publicly available. The achievement of
HunyuanImage 3.0 relies on several key components, including meticulous data
curation, advanced architecture design, a native Chain-of-Thoughts schema,
progressive model pre-training, aggressive model post-training, and an
efficient infrastructure that enables large-scale training and inference. With
these advancements, we successfully trained a Mixture-of-Experts (MoE) model
comprising over 80 billion parameters in total, with 13 billion parameters
activated per token during inference, making it the largest and most powerful
open-source image generative model to date. We conducted extensive experiments
and the results of automatic and human evaluation of text-image alignment and
visual quality demonstrate that HunyuanImage 3.0 rivals previous
state-of-the-art models. By releasing the code and weights of HunyuanImage 3.0,
we aim to enable the community to explore new ideas with a state-of-the-art
foundation model, fostering a dynamic and vibrant multimodal ecosystem. All
open source assets are publicly available at
https://github.com/Tencent-Hunyuan/HunyuanImage-3.0