Технический отчет HunyuanImage 3.0
HunyuanImage 3.0 Technical Report
September 28, 2025
Авторы: 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
Аннотация
Мы представляем HunyuanImage 3.0 — нативную мультимодальную модель, которая объединяет мультимодальное понимание и генерацию в рамках авторегрессионной архитектуры, при этом модуль генерации изображений доступен публично. Достижение HunyuanImage 3.0 стало возможным благодаря нескольким ключевым компонентам, включая тщательную подготовку данных, передовой дизайн архитектуры, нативную схему Chain-of-Thoughts, прогрессивное предварительное обучение модели, агрессивное пост-обучение и эффективную инфраструктуру, обеспечивающую масштабируемое обучение и вывод. Благодаря этим усовершенствованиям мы успешно обучили модель Mixture-of-Experts (MoE), содержащую более 80 миллиардов параметров, с активацией 13 миллиардов параметров на каждый токен во время вывода, что делает её самой крупной и мощной открытой моделью для генерации изображений на сегодняшний день. Мы провели обширные эксперименты, и результаты автоматической и человеческой оценки соответствия текста и изображения, а также визуального качества демонстрируют, что HunyuanImage 3.0 конкурирует с предыдущими моделями, достигшими наивысших результатов. Публикуя код и веса HunyuanImage 3.0, мы стремимся предоставить сообществу возможность исследовать новые идеи на основе передовой фундаментальной модели, способствуя созданию динамичной и активной мультимодальной экосистемы. Все открытые ресурсы доступны по адресу: 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