豆包大模型团队：2025年Seedream 3.0 文生图模型技术报告

Seedream 3.0 是字节跳动推出的一款高性能中文-英文双语图像生成基础模型，在 Seedream 2.0 的基础上进行了多项技术改进，包括数据层、预训练阶段、训练后阶段和模型加速方面的优化。

数据层改进：

• 引入缺陷感知训练范式和双轴协作数据采样框架，将数据集翻倍，提高数据质量。
• 开发跨模态检索系统，动态优化数据集，提升模型性能。

预训练阶段改进：

• 采用混合分辨率训练、跨模态 RoPE、表示对齐损失和分辨率感知时间步采样等技术，提高可扩展性和泛化能力。

训练后阶段改进：

• 利用多样化的审美标题进行强化学习，并采用基于 VLM 的奖励模型以及缩放，实现与人类偏好高度一致的结果。
• 针对不同分辨率下进行训练，增强模型在各种场景下遵循提示的能力。

模型加速改进：

• 通过一致的噪声期望和重要性感知时间步采样，在保持图像质量的同时实现 4 到 8 倍的速度提升。

性能提升：

• 与 Seedream 2.0 相比，Seedream 3.0 在整体能力上取得了显著进步，特别是在复杂汉字的文本渲染方面。
• 提供原生高分辨率输出（高达 2K），图像美学质量显著提升，在电影场景中表现出卓越的性能，并在人像生成中增强了真实感。
• 在人工分析文本到图像模型排行榜上排名第一，拥有 1158 分的 Arena ELO 得分。

关键数据：

• 文本渲染准确率达到 94%，中文文本可用率相较于 Seedream 2.0 提升了 16%。
• 在肖像评估中，Seedream 3.0 和 Midjourney v6.1 均排名第一，显著优于其他模型。

研究结论：

• Seedream 3.0 代表了针对小文本生成和美观长文本编排挑战的先锋解决方案，在图形设计输出方面超越了 Canva 等平台的人设计模板。
• Seedream 3.0 提供了全面的能力、卓越的文本渲染质量、增强的视觉吸引力和极快的生成速度，有望成为各种工作和日常场景中强大的生产力工具。