HiDream-O1 實測：官方說的六件事，本機驗證對了幾件

HiDream-O1-Image 是 HiDream 在五月開源的生圖模型，8B 參數、MIT 授權，可商用。它的官方介紹跟一般模型不太一樣：不只說「畫得好」，而是列了六項具體能力，還附了技術報告。既然官方把話說得這麼具體，這篇就不做泛用評比，改成逐條驗證：官方說了什麼，本機跑出來對不對。

題目是這次新寫的 63 組，跟我之前幾篇評測用的題庫完全不重疊。每一組的 prompt 都印在對照圖的底部，完整題目（含中文說明與 Prompt Agent 改寫版）另外整理成一篇：HiDream-O1 測試 Prompt 全公開。

快速結論

• 成立的宣稱：多張參考圖合成的身份一致性很強，人、衣服、場景分別給參考圖都能正確組合；Prompt Agent 很有用，像「王維的《鹿柴》刻在竹簡上」這種要先知道詩句內容才畫得出來的題目，先讓它改寫 prompt 再生成，結果好非常多；2560×1440 橫幅、1440×2560 直幅、3104×1312 超寬幅三種官方訓練過的尺寸都正常出圖
• 打折的宣稱：「沒有 VAE 所以細節更多」在皮膚、毛髮上成立，Full 版的細節確實比 Dev 多，但雜訊也多，手錶這類精密物件還會生出多餘的零件；繁體中文大字大多寫對，但 Full 與 Dev 的錯字率都還是高；指令編輯能換字，卻做不到「其他部分不變」
• 不成立的宣稱：15 種鏡位在同一個 seed 下大半看不出差別；一次生成四格分鏡的角色能保持一致，格內的標題與編號幾乎必亂
• Dev 蒸餾版在文字題明顯劣化，整段英文長文 Full 逐字正確、Dev 亂碼，不是官方說的「幾乎沒有損失」；Full 檔加上官方的 Dev LoRA 看起來就是 Dev，想省硬碟可以只裝 Full

先認識一下這個模型

先解釋一個名詞。目前大多數生圖模型（Stable Diffusion、Flux、Krea 都是）不是直接畫像素，而是先用一個叫 VAE 的元件把圖片壓縮成一張小很多的「草圖」，模型在草圖上作畫，畫完再由 VAE 放大還原成完整圖片。這樣做的好處是省算力，代價是壓縮與還原之間會損失細節，皮膚毛孔、布料織紋、小字的筆畫這類細小的東西最容易被抹平。

HiDream-O1-Image 拿掉了 VAE，模型直接在原始像素上作畫，文字、圖片、任務指令全部在同一個模型裡處理。官方主張這樣可以保住那些細小的東西，也讓文字的筆畫結構更穩。這篇的 A 章就是專門驗證這個說法。

官方介紹列出的能力：

• 原生 2048×2048，另有 11 種訓練解析度（最寬到 3104×1312）
• 長文字渲染與版面控制，多區域、多語言
• 指令式編輯（給一張圖，用文字說要改什麼）與多張參考圖合成（給二到十張參考圖，把裡面的人或物放進新場景）
• 單次生成多格分鏡、15 種電影鏡位控制（技術報告）
• Reasoning-Driven Prompt Agent：用一個大語言模型先推理版面、物理邏輯、隱含知識，再把你的一句話改寫成完整英文 prompt
• 兩個版本：Full（未蒸餾，官方 50 步）與 Dev（蒸餾，28 步，官方說品質幾乎無損）

技術報告的基準測試分數都很漂亮，但整份報告沒有寫任何缺點或失敗案例。這正是自己驗證的理由。

這次怎麼測

全部用 ComfyUI 原生節點與官方範本的取樣設定，Full 是 50 步、CFG 5，Dev 是 28 步、CFG 1。Prompt Agent 用官方腳本裡的系統提示詞，只把後端換成本機跑的 Qwen 27B（官方是 Gemma 31B，本機沒有）。

A. 沒有 VAE 的細節：皮膚毛髮成立，精密物件會多長東西

先看最有利於這條宣稱的題目：逆光雀斑特寫。

Full 與 Dev 的雀斑、絨毛密度都遠高於 Krea2，Krea2 的皮膚偏磨皮。這條宣稱在皮膚這類天然質感上是成立的。不過三個分支的雀斑都布滿整臉，密度超過提示詞描述的程度，這點三家都一樣。

毛髮題 Full 最自然：

換成手錶這種邊緣清楚、零件精密的東西就不同了：

Full 版的手錶多出一個錶冠、一顆寶石，錶盤上的數字是亂碼；Dev 版乾淨得多；Krea2 最乾淨但紋理最少。Full 的「細節」有一部分是模型自己補出來的東西，題材是皮膚、毛髮、布料時那是資訊，題材是手錶、金屬這類精密物件時就變成雜訊。這點決定了後面「該怎麼選」的分場景建議。

B. 文字與版面：大字大多對，錯字率仍然高

繁體中文是我每篇評測都會盯的項目。先看最好的一張：

四欄標題、三列班次、底下的「請讓座給需要的人」全部正確，錯的是「龜山」的「龜」、「臺灣」的「臺」與「灣」。兩個版本錯的字一模一樣。

超商海報乍看完成度很高，但仔細核對，兩個版本的大標題裡「鹽」「糰」都是錯字，Dev 版還冒出亂碼小字：

廟宇對聯是這次的難題。匾額「慈祐宮」與右聯「龍飛鳳舞護蒼生」都對，但左聯開頭的「鬱鬱」兩個版本都寫成錯字，Full 還把對聯多貼了一份到內側的柱子上：

八題繁體中文逐字核對下來，這幾個筆畫複雜的字裡「廟」「麵」「龍」「讓」寫對，「鹽」「糰」「龜」「灣」「鬱」「柵」寫錯。大標題乍看像樣，但逐字核對的錯字率還是高，與 SenseNova 那篇的結論相比，HiDream-O1 沒有把繁體中文的天花板再往上推。

英文長文則是 Full 與 Dev 差距最大的題目：

Full 版整段六十個字幾乎逐字正確；Dev 版亂碼，還把一張紙畫成兩張。這一題直接推翻「蒸餾版幾乎無損」的說法，至少在文字上不成立。

多區域的資訊圖 Full 版面完成度高，五個標籤四個正確，但「木柵」寫成「木桃」，還把同一個標籤畫了兩次：

跟所有模型一樣，畫面裡的背景小字（貨架商品、遠處旗幟）都是亂碼。

C. 編輯與多參考圖合成：把參考圖裡的人放進新場景是它最強的能力

指令編輯：字換得掉，其他部分不會不動

把英文招牌換成中文店名，兩個版本都成功：

但提示詞裡「其他部分保持不變」沒有做到：Full 版整張偏綠、磚牆帶噪點、光線變了；Dev 版整張褪色。換沙發加貓那題也一樣，兩個版本都改了燈光，Full 移掉抱枕、植物長大，Dev 多加了一盞吊燈：

我懷疑偏色是 ComfyUI 範本裡的接縫平滑節點造成的，所以關掉它再跑一次，另外也試了把噪聲縮放調低：

關掉接縫平滑後偏色一模一樣，噪點反而更明顯；噪聲縮放調低直接出灰圖（這個值是像素空間模型的訓練常數，不能動）。所以偏色是模型本身的行為，目前沒有旋鈕可以修。平滑背景的編輯（例如精華液瓶的標籤）幾乎不偏色，磚牆這類高頻紋理才明顯。

多參考圖合成：身份一致性很強

給兩張不同角度的角色圖，要它站到雨夜的台北夜市：

辮子、眼鏡、雨衣、雨鞋全部保留，Dev 版一樣強。再難一點，人、夾克、餐館三張參考圖分別給：

人的臉、夾克的袖章、餐館的霓虹字都正確組合，連參考圖裡的招牌文字都保留。3D 機器人正反面兩張參考圖也能放到海邊：

這是六章裡最沒有爭議的一章。帶參考圖的生成速度比純文生圖慢兩倍多，Dev 版在這一章的表現與 Full 接近，實際使用選 Dev 就夠。

D. 分鏡與鏡位：角色一致，文字必亂，鏡位大半無感

四格分鏡的角色跨格一致性不錯，燈塔老人與機器人在四格裡都是同一個角色：

但格內的標題與編號幾乎必亂：燈塔那題的編號是 2、5、5、4，標題拼錯；機器人那題 Full 版寫出「STURE」「PANEL」這種東西，Dev 版反而比較乾淨。

技術報告說支援 15 種電影鏡位。同一個小提琴手、同一個 seed、只換鏡位描述：

肉眼看不出太多差別。只有特寫系、過肩鏡頭與俯角有反應；極遠景、遠景、全身、鳥瞰、蟲視幾乎是同一個構圖，第一人稱視角完全錯（還是正面拍她），荷蘭角只微傾。這條宣稱在同 seed 的條件下不成立。

E. Prompt Agent：題目需要背景知識時，先改寫再生成

這是官方隨模型一起釋出的工具：一個大語言模型先分析你的需求、解析隱含知識、規劃版面，再輸出一段完整的英文 prompt。我用官方的系統提示詞、本機的 Qwen 27B 跑，八題都改寫成功。

最能說明差距的是「王維的《鹿柴》刻在一片竹簡上」：

原始 prompt 只刻了「鹿柴」兩個字外加一隻鹿；Agent 版把整首詩二十個字全部正確刻在竹簡上，因為 Agent 在改寫時就把詩句查出來寫進 prompt。「提出運動三定律的那個人的博物館展區」也一樣：

原始 prompt 畫出一個肌肉解剖模型，Agent 版是牛頓銅像加 F = ma。文物題更明顯：

原始 prompt 畫成粉彩鹿紋碗，完全不是汝窯；Agent 版天青釉、開片、紫口鐵足都對。

這跟我在 SenseNova 那篇測 prompt 增強的結論一致：模型本身不會補知識，改寫層才是「推理」。差別是 HiDream 把這個工具直接附在模型旁邊，而且用本機的 Qwen 27B 取代官方的 Gemma 31B 也沒有明顯短板。

F. Dev 與 Full：步數不用 50，LoRA 就是 Dev

官方說 Full 跑 50 步，ComfyUI 範本減成 40 步。同 seed 對照：

50 步與 40 步幾乎逐像素相同，範本減步是對的，時間省兩成沒有損失。同一張圖也看得到 Dev 的另一個問題：花呢的橘色與紫色纖維在 Dev 版消失了，變成素面斜紋。

官方另外提供一個 Dev LoRA，掛在 Full 上、用 Dev 的取樣設定跑。我原本以為它會是「Full 的細節、Dev 的乾淨」的折衷，結果跑完 21 題，它就是 Dev：

文字題錯的方式與 Dev 相同，細節題的構圖與質感也向 Dev 靠攏，肉眼乍看不出差別。實用結論是只裝 Full 檔加這個 440MB 的 LoRA，就同時有 Full 與 Dev，省下一份 16GB 的 Dev 檔。

三種訓練解析度的長寬比都正常，沒有拼接感：

該怎麼選

想自己跑：ComfyUI 設定

ComfyUI 原生支援，範本在「HiDream O1」與「HiDream O1 Dev」兩個工作流裡，包含文生圖與圖片編輯的切換開關，參考圖最多十張。幾個實測踩過的地方：

• 節點裡有一個「噪聲縮放」，Full 是 8、Dev 是 7.6。這是像素空間模型的訓練常數，不是美學旋鈕，調低會直接出灰圖
• Full 的接縫平滑節點確實有在壓噪，關掉會更糟，但它不是編輯偏色的原因
• Full 跑 40 步就夠，跟官方的 50 步幾乎相同
• 帶參考圖的編輯與合成比純文生圖慢兩倍多，這類工作用 Dev 就好
• Prompt Agent 是官方 GitHub 上的 prompt_agent.py，可以接任何 OpenAI 相容的本機端點；輸出的 JSON 裡除了改寫後的 prompt，還有它解析出的隱含知識，方便檢查

授權是 MIT，模型與生成圖都可商用。

完整對照圖

每張對照圖底部都印有該題的 prompt，可複製的文字版在 HiDream-O1 測試 Prompt 全公開。

A 細節（Full、Dev、Krea2 Turbo 與放大裁切）

B 文字（Full 與 Dev）

C 編輯與合成（參考圖、Full、Dev）

D 分鏡與鏡位

E Prompt Agent（原始 prompt 與改寫版）

F 步數與 LoRA（前五題）

相關文章

• HiDream-O1 測試 Prompt 全公開 — 本文 63 組題目的文字版，附中文說明與 Agent 改寫版
• SenseNova U1.5 繁體中文實測 — 繁體中文文字渲染目前的天花板，本文 B 章的比較基準
• SenseNova 官方 Prompt 增強實測：AI 生圖的亂碼不是隨機的 — 與本文 E 章相同的結論：改寫層才是推理
• Krea2 微調模型大亂鬥 — 本文 A 章對照組 Krea2 Turbo 的來歷
• 動漫生圖模型 8 路對決 — 同樣的同 seed 評測方法論