视觉生成模型的发展长期以来受限于碎片化的架构，这些架构依赖独立的文本编码器和外部VAE。最新研究HiDream-O1-Image打破了这一局面，提出了一种原生统一的生成基础模型。该模型基于像素空间扩散Transformer，实现了从模块化架构到端到端上下文视觉生成引擎的范式转变。
HiDream-O1-Image的核心创新在于其Unified Transformer（UiT）架构。它将原始图像像素、文本标记和任务特定条件映射到一个单一的共享标记空间中，从而在结构上统一了多模态输入。这种原生编码范式消除了对独立VAE或预训练文本编码器的依赖，使模型能够将各种生成和编辑任务视为一致的上下文推理过程。
广泛实验表明，HiDream-O1-Image在多种生成任务中表现出色，包括文本到图像生成、基于指令的编辑和主题驱动的个性化生成。值得注意的是，尽管只有8B参数，HiDream-O1-Image（8B）的性能与甚至超过了一些参数规模更大的模型（如27B的Qwen-Image）。
为了验证该范式的可扩展性，研究人员进一步将架构扩展到超过200B参数。实验结果显示，这一大规模版本HiDream-O1-Image-Pro（200B+）解锁了前所未有的生成能力，在多个基准测试中创造了新的性能纪录。
HiDream-O1-Image的成功凸显了原生统一架构的巨大潜力，为下一代多模态AI指明了一条高度可扩展的发展路径。该研究的代码和模型已在GitHub和Hugging Face上开源。研究论文由多位作者共同完成，包括Qi Cai、Jingwen Chen等，并于2026年5月11日提交至arXiv。