腾讯今日宣布混元图像模型2.1开源，支持原生2K生图和中英文原生输入。同时，腾讯还开源了“PromptEnhancer文本改写模型”，该模型可以自动补全用户输入的描述，如输入“画一只可爱的猫”，会自动补全为“橘色短毛猫趴在格子桌，爪边放饼干，水彩风”。此外，该模型支持中英文双向转换，用中文说“画带‘Dream’的星空蛋糕”也能精准呈现，避免表达模糊。

混元图像模型2.1支持长达1k tokens的复杂语义超长prompt，支持多主体分别描述与精确生成。例如，一幅由四个画格组成的卡通漫画，以2x2的网格形式排列，讲述了一只变色龙的难题。每个画格详细描绘了变色龙在不同环境下的变化，从完美的伪装到颜色系统的故障，整体呈现出线条清晰、色彩鲜明的四格漫画作品风格。

新版本对图像中文字的渲染和场景细节的把控更为稳定，减少了常见的文字错误与理解偏差。例如，一个充满未来感的泳池映照着深邃的宇宙，泳池表面闪耀着星云、旋转的星系和闪烁的星光。青色、洋红色和紫色的霓虹灯照亮整个区域，营造出赛博朋克氛围。泳池上方漂浮着紫色和粉色的文字“Prompt Enhancer”，周围环绕着柔和的光晕，在水面上投射出反射的光芒。背景是带有空灵光环和宇宙尘埃的遥远行星，增强了超现实梦幻的氛围。

混元图像模型2.1还支持生成各种风格，如真实感人物、漫画与搪胶手办等。例如，在酒馆外面，一个卖报的小男孩倚靠着一根大理石质地的罗马柱，蹲在地上专注地倾听酒馆内传来的钢琴声。酒馆内部，一个少女背对着镜头坐在老式木质钢琴前弹奏，莫奈的印象派画面营造出夏日浪漫宁静的氛围。

该模型具备视觉-语言多模态编码器，更好地理解场景描述、人物动作和细节需求。使用多语言的ByT5文本编码器增强文字渲染能力。结构化caption提供多层次的语义信息，大幅提升模型在复杂语义上的响应能力。创新性引入OCR agent和IP RAG，补齐通用VLM captioner在密集文本和世界知识描述短板。文生图模型采用单双流网络架构，拥有17B模型参数。Refiner模型采用类似图生图的条件生成结构，显著减少畸形并提升图像质感和清晰度。32倍压缩率VAE降低训练难度，2K图生成耗时与同类模型1K图生成耗时持平。多分辨率的repa loss加速模型收敛，meanflow推理加速首次在工业级模型上跑通，推理步数由100步降至8步，显著提升蒸馏效果。

混元文本改写模型（PromptEnhancer）是首个系统化的工业级改写模型，通过SFT训练和GRPO训练，使得文本生成的图像语义大幅度提升。该模型提出了涵盖6大类24个细粒度考点的AlignEvaluator奖励模型，支持同时中英文改写。