視覚生成モデルの発展は長らく、独立したテキストエンコーダや外部VAEに依存する断片的なアーキテクチャに制約されてきました。最新の研究HiDream-O1-Imageはこの状況を打破し、ネイティブに統一された生成基盤モデルを提案します。このモデルは、ピクセル空間拡散トランスフォーマーに基づき、モジュール型アーキテクチャからエンドツーエンドのコンテキスト内視覚生成エンジンへのパラダイムシフトを実現します。
HiDream-O1-Imageの中心的な革新は、Unified Transformer（UiT）アーキテクチャです。生の画像ピクセル、テキストトークン、タスク固有の条件を単一の共有トークン空間にマッピングすることで、マルチモーダル入力を構造的に統一します。このネイティブなエンコーディングパラダイムにより、個別のVAEや事前学習済みテキストエンコーダが不要となり、多様な生成・編集タスクを一貫したコンテキスト内推論プロセスとして扱うことが可能になります。
広範な実験により、HiDream-O1-Imageはテキストから画像への生成、指示ベースの編集、被写体駆動のパーソナライゼーションなど、様々な生成タスクで優れた性能を示しました。特筆すべきは、わずか8BパラメータのHiDream-O1-Image（8B）が、より大規模なモデル（例：27B Qwen-Image）と同等以上の性能を達成したことです。
さらに、このパラダイムのスケーラビリティを検証するため、アーキテクチャを200Bパラメータ以上にスケールアップすることに成功しました。実験結果は、この大規模バージョンHiDream-O1-Image-Pro（200B+）が前例のない生成能力を発揮し、複数のベンチマークで新たな最先端記録を樹立することを示しています。
HiDream-O1-Imageは、ネイティブに統一されたアーキテクチャの大きな可能性を強調し、次世代マルチモーダルAIへの高度にスケーラブルな道筋を示しています。本研究のコードとモデルはGitHubおよびHugging Faceで公開されています。研究論文はQi Cai、Jingwen Chenら多数の著者によって執筆され、2026年5月11日にarXivに投稿されました。