继在文本、音频、视频领域开源模型后，美团再次开源了其图像生成模型：LongCat-Image。
该模型主打两大核心能力：高质量中文文本渲染与高度可控的单图编辑。
模型在社区获得了不错的初期评价，本文将对其进行实际效果测试与分析。
在展示实测效果前，先快速了解模型的更多技术信息。
模型介绍
LongCat-Image 是一个中英双语图像生成模型，参数量为 6B。除了突出的中文渲染和编辑能力，它还重点优化了图像写实性、部署效率及开发者友好性等关键问题。
基准评测表现
在图像编辑基准测试集 ImgEdit 上，LongCat-Image 取得了开源模型第一的成绩。在 GEdit-EN 和 GEdit-CN 数据集上的表现，已接近闭源SOTA模型水平。
其在中文文字生成任务 ChineseWord 上的表现尤为突出，得分高达 90.7，大幅领先第二名超过30分。
技术亮点
LongCat-Image 采用了文生图与图像编辑同源的统一架构设计。
结合渐进式训练策略，该模型在仅6B参数规模下实现了开源SOTA性能，尤其在指令遵循精度、图像生成质量和文字渲染能力上表现卓越，展现了高效模型设计的潜力。
下面通过一系列实测案例来具体展示其能力。
实测案例分析
中文文本渲染能力
首先测试其得分最高的中文文本渲染能力。
手写书法生成
提示词：用行书写一幅竖排书法作品，内容是“落霞与孤鹜齐飞，秋水共长天一色”，落款“王勃”。
生成效果：
整体表现良好，提示词中的文本能被正确识别并渲染。但仔细观察，如“鹜”等笔画较多的字，在局部细节上渲染清晰度略有不足。
繁体字海报生成
针对笔画复杂的繁体字进行进一步测试。
经过几次尝试后，得到以下效果：
艺术风格符合“块面感”要求，繁体字的渲染准确无误。
店铺门头图生成
目前外卖平台店铺头像的AI设计已形成一定产业。我们测试LongCat-Image在此场景下的应用，并特意使用包含生僻字的店名。
提示词1：餐饮店门头，店内店外有顾客，色调温馨，店名是莜麦栲栳小铺
提示词2：餐饮店门头，店内店外有顾客，色调温馨，店名是饸饹巷面馆
即使是“莜”、“栳”、“饸”、“饹”这类生僻字也能正确渲染。不过生成的店铺普遍存在窗户表现不明确的问题。
电商营销应用
模型内置了电商营销风格，可用于快速生成营销素材。
美妆电商海报
提示词：电商营销风格，高质量产品图，一瓶精华液，液体呈淡金色，瓶身有精致雕花，背景是柔光，突出产品高级感，旁边有“璀璨修护 焕活肌底”字样
海报质感高级，但未在提示词中指定的英文字样出现了渲染混乱的情况。
双十二促销海报
提示词：电商营销风格，双十二促销活动海报，背景红色喜庆，中央有“年终盛典 限时直降”大字，下方有小字“跨店每满300减40”，有礼品盒、购物车图标点缀
在指令清晰的情况下，即使文字内容较多，模型也能进行正确渲染。
照片写实性测试
人物摄影
提示词：人像摄影佳作，强透视，混暗调风格，特写魅力。暗漫背景下，白皙皮肤的女性闭眸，嘴唇微张，表情平静，精致五官若隐若现，头发遮脸，神秘安静氛围拉满，光影交错，细节动人，杰作。
光影层次、面部细节、嘴唇纹理都呈现出较高的写实度，避免了部分AI生成图像常见的“塑料感”。
食物特写
提示词：一碗红烧牛肉面特写，面条根根分明，上面铺着大块炖煮软烂的牛肉，汤汁浓郁红亮，撒有翠绿的葱花和香菜，碗边放着一双木质筷子，背景是简约的深色木质桌面，光线从斜上方打下来，形成柔和的光影，突出食物的光泽和层次感，整体色调温暖
图像编辑能力
连续指令编辑
1. 去除挂件
原图：
编辑指令：去掉背包上的挂件
编辑后：
模型能准确定位并自然移除指定元素。
2. 添加外套
在原图基础上继续编辑。
编辑指令：给她穿上黑色皮夹克
编辑后：
模型在人物已有背包的情况下，正确生成了外套。但手部姿势从插裤兜变成了插外套口袋。
追加指令：给她穿上黑色皮夹克，手依然插在裤兜里
编辑后：
3. 替换地面
继续对上一张图进行环境编辑。
编辑指令：把地面换成积雪覆盖的样子
编辑后：
场景一致性保持良好。但观察到图像模型的一个常见现象：多次编辑后，画面整体色调会略显灰暗，如同叠加了一层浅色滤镜。
材质替换
将针织材质改为玻璃材质：
原图（针织玩偶）：
编辑后（玻璃材质）：
再将玻璃材质改为毛绒材质：
编辑后（毛绒材质）：
文字修改
快速修改图片中的文字内容。
编辑指令：将图片中的文字“他强任他强 清风拂山岗”改成“大雪压青松 青松挺且直”
原图：
编辑后：
中文表情包制作
制作《疯狂动物城》Judy的多格表情包。
提示词：四格漫画，表情包风格，兔子警官朱迪，四个表情分别是：震惊、无语、偷笑、点赞，配对应文字
生成效果：
更多风格示例
模型提供了多种风格预设，以下是部分效果展示。
赛博朋克风格
赛博朋克风的Judy与Nick：
对单张图片进行风格转换：
原图：
转换指令：赛博朋克风格
转换后：
中国风
提示词：幽蓝色背景中，万里江山图用纵向彩色流畅曲线呈现山峦，塔楼，瀑布，溪流，树木，花草，小村落的单边轮廓（细线），采用极简主义的一笔画形式，大师级排版
生成效果：
提示词：采用北宋《清明上河图》工笔淡彩古画风格（做旧浅棕褐色调、线条细腻、淡设色质感），背景为高饱和度暖橙色纯色；画面主体：4位身着宋代平民服饰的人物（古画质感），围绕中药台进行中医药材制作：1人端盛有药材的陶碗、1人在木桌上操作器具、1人手持中药、1人整理中药；周围散落古画风格的中式厨具（陶罐、陶碗）与盛放的中药材
生成效果：
卡通风格
提示词：以玄幻风格呈现的古代玄猫的特写，风云构成猫头，云雾缭绕且凶猛翻滚，猫长相狰狞，低下头俯视着，夸张惊悚恐怖的压抑的气氛。
生成效果：
总结
美团在模型开源上节奏迅速，从今年九月初开源LongCat-Flash文本模型至今，已在文本、音频、视频、图像领域完成了开源布局。
LongCat-Image作为一个参数量仅6B的开源模型，其整体表现超出了预期。最突出的两点在于：一是对汉字（包括生僻字和繁体字）的渲染准确性大幅提升，改变了以往AI生图在中文文本上的弱势，尽管在未指定语种时仍可能出现乱码；二是其图像编辑功能实用性强，支持通过自然语言进行连续编辑，为实际业务中的素材快速处理提供了新工具。
感兴趣的开发者可通过以下链接体验或获取模型：
发表于 5 天前
|
查看: 14|
回复: 0
