視覺生成模型的發展長期以來受限於碎片化的架構，這些架構依賴獨立的文本編碼器和外部VAE。最新研究HiDream-O1-Image打破了這一局面，提出了一種原生統一的生成基礎模型。該模型基於像素空間擴散Transformer，實現了從模塊化架構到端到端上下文視覺生成引擎的範式轉變。
HiDream-O1-Image的核心創新在於其Unified Transformer（UiT）架構。它將原始圖像像素、文本標記和任務特定條件映射到一個單一的共享標記空間中，從而在結構上統一了多模態輸入。這種原生編碼範式消除了對獨立VAE或預訓練文本編碼器的依賴，使模型能夠將各種生成和編輯任務視為一致的上下文推理過程。
廣泛實驗表明，HiDream-O1-Image在多種生成任務中表現出色，包括文本到圖像生成、基於指令的編輯和主題驅動的個性化生成。值得注意的是，儘管只有8B參數，HiDream-O1-Image（8B）的性能與甚至超過了一些參數規模更大的模型（如27B的Qwen-Image）。
為了驗證該範式的可擴展性，研究人員進一步將架構擴展到超過200B參數。實驗結果顯示，這一大規模版本HiDream-O1-Image-Pro（200B+）解鎖了前所未有的生成能力，在多個基準測試中創造了新的性能紀錄。
HiDream-O1-Image的成功凸顯了原生統一架構的巨大潛力，為下一代多模態AI指明瞭一條高度可擴展的發展路徑。該研究的代碼和模型已在GitHub和Hugging Face上開源。研究論文由多位作者共同完成，包括Qi Cai、Jingwen Chen等，並於2026年5月11日提交至arXiv。