Informe Técnico de HunyuanImage 3.0
HunyuanImage 3.0 Technical Report
September 28, 2025
Autores: 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
Resumen
Presentamos HunyuanImage 3.0, un modelo multimodal nativo que unifica la comprensión y generación multimodal dentro de un marco autoregresivo, con su módulo de generación de imágenes disponible públicamente. El logro de HunyuanImage 3.0 se basa en varios componentes clave, que incluyen una curación meticulosa de datos, un diseño de arquitectura avanzado, un esquema nativo de Cadena de Pensamientos (Chain-of-Thoughts), un preentrenamiento progresivo del modelo, un postentrenamiento agresivo y una infraestructura eficiente que permite el entrenamiento e inferencia a gran escala. Con estos avances, entrenamos exitosamente un modelo de Mezcla de Expertos (Mixture-of-Experts, MoE) que comprende más de 80 mil millones de parámetros en total, con 13 mil millones de parámetros activados por token durante la inferencia, convirtiéndolo en el modelo generativo de imágenes de código abierto más grande y potente hasta la fecha. Realizamos experimentos extensivos, y los resultados de la evaluación automática y humana de la alineación texto-imagen y la calidad visual demuestran que HunyuanImage 3.0 rivaliza con los modelos más avanzados anteriores. Al liberar el código y los pesos de HunyuanImage 3.0, nuestro objetivo es permitir que la comunidad explore nuevas ideas con un modelo base de última generación, fomentando un ecosistema multimodal dinámico y vibrante. Todos los recursos de código abierto están disponibles públicamente en https://github.com/Tencent-Hunyuan/HunyuanImage-3.0.
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