ERNIE Image API for Readable Text in Images

ERNIE Image API zapewnia deweloperom programowy dostęp do otwartego modelu text-to-image Baidu, 8B single-stream Diffusion Transformer połączonego z Prompt Enhancer, który rozwija krótkie prompty w bogatsze, lepiej ustrukturyzowane opisy. W Atlas Cloud korzystasz z niego przez jeden endpoint zgodny z OpenAI, z rozliczeniem pay-as-you-go i dostępem Day-0.

Jego wyróżniającą się mocną stroną jest czytelny tekst wewnątrz obrazu. Model osiąga 0.9733 w LongTextBench dla języka angielskiego, co jest najlepszym wynikiem wśród modeli open-weight i sprawia, że dobrze sprawdza się przy plakatach, dymkach komiksowych, infografikach oraz makietach UI, w których każdy znak musi być zapisany poprawnie.

Oba warianty mają tę samą architekturę 8B, ale inaczej równoważą jakość i szybkość. Model Standard wykonuje 50 kroków inferencji przy guidance scale 4.0, aby zapewnić maksymalną wierność finalnych materiałów, natomiast wariant Turbo został zdestylowany z użyciem DMD i reinforcement learning do około 8 kroków, z myślą o szybkim generowaniu na dużą skalę.

Tak. Prompty są obsługiwane w języku angielskim, chińskim i japońskim przez ten sam encoder, a tekst pozostaje wiarygodny w różnych systemach pisma, osiągając 0.9661 w chińskim LongTextBench. Tam, gdzie kilka konkurencyjnych modeli wyraźnie traci jakość przy chińskich znakach, ten model zachowuje czysty zapis w języku uproszczonym, tradycyjnym oraz w mieszanych dwujęzycznych tekstach.

Endpoint Turbo przyjmuje siedem predefiniowanych rozmiarów przez jeden parametr size, od kwadratu 1024x1024 po formaty poziome 1376x768 i pionowe 768x1376. Możesz też zażądać do dziesięciu obrazów w jednym wywołaniu, ustawić seed dla powtarzalnych wyników oraz włączać i wyłączać wbudowany Prompt Enhancer za pomocą flagi use_pe.

Do rozpoczęcia wystarczy jeden klucz API. Zarejestruj się w Atlas Cloud, skieruj swój istniejący klient zgodny z OpenAI na endpoint i wyślij prompt z opcjonalnym rozmiarem oraz seed, aby otrzymać w odpowiedzi adresy URL obrazów. Rozliczenie odbywa się w modelu pay-as-you-go za wywołanie, z dostępem Day-0 do modelu.

W opublikowanych benchmarkach model przewyższa porównywalne otwarte wydania, takie jak FLUX.2-klein-9B, osiągając 0.8856 wobec 0.8481 w ogólnym wyniku GenEval. Największą przewagę ma w renderowaniu tekstu: FLUX.2 spada do 0.2183 dla języka chińskiego, podczas gdy ERNIE Image utrzymuje wynik powyżej 0.96. Dla zadań opartych na czytelnym tekście w obrazie i ustrukturyzowanych układach jest obecnie najmocniejszym wyborem open-weight.

Tak. ERNIE Image jest udostępniany na licencji Apache 2.0, która zezwala na użycie komercyjne, modyfikację i redystrybucję. Wygenerowane obrazy można wykorzystywać w reklamach, produktach merchandisingowych, publikacjach i innych produktach komercyjnych bez problemów licencyjnych.