HunyuanImage 3.0

Führe HunyuanImage 3.0 aus — Tencents 80B MoE multimodales Bildgenerierungs- und Bearbeitungsmodell auf Clore.ai-GPUs

HunyuanImage 3.0 von Tencent ist das weltweit größte Open-Source-Bildgenerierungsmodell mit 80B Parametern insgesamt (13B aktiv während der Inferenz). Veröffentlicht am 26. Januar 2026, bricht es mit dem üblichen Muster, indem es Bildgenerierung, Bearbeitung und Verständnis in einem einzigen autoregressiven Modell vereint — keine separaten Pipelines mehr für Text-zu-Bild und Bild-zu-Bild. Es erzeugt fotorealistische Bilder, führt präzise Bearbeitungen unter Beibehaltung der Elemente durch, unterstützt Stilübertragungen und macht sogar Mehrbild-Fusion — alles mit einem einzigen Modell.

HuggingFace: tencent/HunyuanImage-3.0-Instruct GitHub: Tencent-Hunyuan/HunyuanImage-3.0 Lizenz: Tencent Hunyuan Community License (kostenlos für Forschung und kommerzielle Nutzung unter 100 Mio. MAU)

Hauptfunktionen

• 80B Parameter insgesamt / 13B aktive Parameter — größtes Open-Source-Bild-MoE-Modell; aktiviert pro Inferenz nur 13B Parameter

• Einheitliche multimodale Architektur — Text-zu-Bild, Bildbearbeitung, Stilübertragung und Mehrbild-Komposition in einem Modell

• Anweisungsgesteuerte Bearbeitung — beschreibe in natürlicher Sprache, was geändert werden soll, und bewahre unveränderte Elemente

• Destillierter Checkpoint verfügbar — HunyuanImage-3.0-Instruct-Distil läuft in nur 8 Sampling-Schritten für schnellere Generierung

• vLLM-Beschleunigung — native vLLM-Unterstützung für deutlich schnellere Inferenz in der Produktion

• Autoregressives Framework — im Gegensatz zu DiT-basierten Modellen (FLUX, SD3.5) verwendet es einen einheitlichen AR-Ansatz für Verständnis und Generierung

Modellvarianten

Modell	Anwendungsfall	Schritte	HuggingFace
HunyuanImage-3.0	Nur Text-zu-Bild	30–50	tencent/HunyuanImage-3.0
HunyuanImage-3.0-Instruct	Text-zu-Bild + Bearbeitung + Mehrbild	30–50	tencent/HunyuanImage-3.0-Instruct
HunyuanImage-3.0-Instruct-Distil	Schnelle Inferenz (8 Schritte)	8	tencent/HunyuanImage-3.0-Instruct-Distil

Anforderungen

Multi-GPU-Rigs der 80GB-Klasse sind auf dem Clore.ai-Marktplatz nicht gelistet. Die größten heute gelisteten Systeme sind 4× RTX PRO 6000 Blackwell (je 96 GB, 380 GB gesamt) und 8–11× RTX 5090 (je 32 GB). Kapazitäten für A100 / H200 / B200 werden als Bare Metal auf Anfrage verkauft. Prüfe GPU-Preise & Verfügbarkeit bevor du eine Bereitstellung dimensionierst.

Konfiguration	Eine GPU (Offloading)	Empfohlen	Multi-GPU-Produktion
GPU	1× RTX 4090 24GB	1× A100 80GB	2–3× A100 80GB
VRAM	24GB (mit Layer-Offload)	80 GB	160–240GB
RAM	128 GB	128 GB	256 GB
Festplatte	200GB	200GB	200GB
CUDA	12.8+	12.8+	12.8+

Empfohlene Clore.ai-Einrichtung:

• Das beste Preis-Leistungs-Verhältnis auf dem Marktplatz: 1× RTX PRO 6000 Blackwell 96GB ($0.92–1.38/Stunde) — läuft das vollständige Modell bequem ohne Offloading. Eine A100 80GB ist die klassische Wahl, ist aber nur verfügbar als Bare Metal

• Budget-Option: 1× RTX 4090 ($0.14–0.42/Stunde) — funktioniert mit CPU-Offloading (langsamer, aber funktionsfähig)

• Schnelle Produktion: 2× A100 80GB (Bare Metal) — für Batch-Generierung und das Instruct-Modell

Schnellstart

Installation

# Repository klonen
git clone https://github.com/Tencent-Hunyuan/HunyuanImage-3.0.git
cd HunyuanImage-3.0

# Umgebung erstellen
pip install -r requirements.txt
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128

# Modellgewichte herunterladen
huggingface-cli download tencent/HunyuanImage-3.0-Instruct --local-dir ./ckpts/HunyuanImage-3-Instruct

Text-zu-Bild mit Transformers

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

# Modell laden (für volle Präzision werden ~80GB VRAM benötigt)
model_path = "./ckpts/HunyuanImage-3-Instruct"
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True,
)

# Ein Bild aus Text generieren
prompt = "Ein ruhiger japanischer Garten im Herbst, Koi-Fische schwimmen in einem kristallklaren Teich, goldene Ahornblätter fallen, Aquarellmalstil"
output = model.generate_image(prompt, num_inference_steps=30)
output.save("japanese_garden.png")

Die Gradio-Weboberfläche verwenden

Der einfachste Weg, alle Funktionen auszuprobieren:

cd HunyuanImage-3.0

# Gradio installieren
pip install gradio

# Weboberfläche starten
python gradio_demo.py \\
    --model-path ./ckpts/HunyuanImage-3-Instruct \\
    --server-name 0.0.0.0 \\
    --server-port 7860

Dann über SSH-Tunnel zugreifen: ssh -L 7860:localhost:7860 root@<clore-ip>

Anwendungsbeispiele

1. Text-zu-Bild-Generierung (CLI)

cd HunyuanImage-3.0

python inference.py \
    --model-path ./ckpts/HunyuanImage-3-Instruct \\
    --prompt "Cyberpunk-Stadtlandschaft bei Nacht, neonbeleuchtete Wolkenkratzer spiegeln sich in regennassen Straßen, fliegende Autos, volumetrischer Nebel, 8K" \\
    --output-path output.png \\
    --num-inference-steps 30 \\
    --guidance-scale 5.0

2. Bildbearbeitung mit natürlicher Sprache

Eine der herausragenden Funktionen von HunyuanImage 3.0 — bestehende Bilder bearbeiten, indem du Änderungen beschreibst:

python inference.py \
    --model-path ./ckpts/HunyuanImage-3-Instruct \\
    --prompt "Ändere die Jahreszeit zu Winter mit Schnee, der die Bäume bedeckt" \\
    --image-path input_photo.jpg \\
    --output-path edited_winter.png \\
    --num-inference-steps 30

3. Schnelle Generierung mit dem destillierten Modell (8 Schritte)

# Destillierten Checkpoint herunterladen
huggingface-cli download tencent/HunyuanImage-3.0-Instruct-Distil \\
    --local-dir ./ckpts/HunyuanImage-3-Instruct-Distil

# Mit nur 8 Schritten generieren (5–6× schneller)
python inference.py \
    --model-path ./ckpts/HunyuanImage-3-Instruct-Distil \\
    --prompt "Porträt eines Astronauten, der auf dem Mars auf einem Pferd reitet, fotorealistisch" \\
    --output-path astronaut.png \\
    --num-inference-steps 8

Vergleich mit anderen Bildmodellen

Funktion	HunyuanImage 3.0	FLUX.2 Klein	SD 3.5 Large
Parameter	80B MoE (13B aktiv)	32B DiT	8B DiT
Architektur	Autoregressives MoE	Diffusions-Transformer	Diffusions-Transformer
Bildbearbeitung	✅ Nativ	❌ Erfordert ControlNet	❌ Erfordert img2img
Mehrbild-Fusion	✅ Nativ	❌	❌
Stilübertragung	✅ Nativ	❌ Erfordert LoRA	❌ Erfordert LoRA
Min. VRAM	~24GB (ausgelagert)	16 GB	8 GB
Geschwindigkeit (A100)	~15–30 Sek.	~0,3 Sek.	~5 Sek.
Lizenz	Tencent-Community	Apache 2.0	Stability AI CL

Tipps für Clore.ai-Nutzer

1. Verwende das destillierte Modell für Geschwindigkeit — HunyuanImage-3.0-Instruct-Distil generiert in 8 Schritten statt 30–50 und verkürzt die Inferenzzeit um das 4–6-Fache. Die Qualität bleibt überraschend nah am Vollmodell.

2. Eine 96-GB-Karte ist der Sweet Spot — Eine einzelne RTX PRO 6000 Blackwell (oder eine A100 80GB via Bare Metal) — Der vollständige Instruct-Checkpoint ist ~160GB. Lade ihn einmal auf ein persistentes Clore.ai-Volume herunter, um zu vermeiden, dass er bei jedem Start einer neuen Instanz erneut heruntergeladen werden muss.

3. Modelle vorab herunterladen — Der vollständige Instruct-Checkpoint ist ~160GB. Lade ihn einmal auf ein persistentes Clore.ai-Volume herunter, um zu vermeiden, dass er bei jedem Start einer neuen Instanz erneut heruntergeladen werden muss.

4. SSH-Tunneling für Gradio verwenden — Lege Port 7860 nicht öffentlich offen. Verwende ssh -L 7860:localhost:7860 um die Weboberfläche sicher in deinem Browser aufzurufen.

5. Probiere das vLLM-Backend für Batch-Arbeiten aus — Wenn du viele Bilder erzeugst, bietet der vLLM-Inferenzpfad (im vllm_infer/ Ordner) deutlich besseren Durchsatz.

Fehlerbehebung

Problem	Lösung
CUDA-Speicher erschöpft auf der RTX 4090	Verwende device_map="auto" um CPU-Offloading zu aktivieren, oder wechsle zum Distil-Modell
Download schlägt fehl / sehr langsam	Setze HF_TOKEN Umgebungsvariable; verwende huggingface-cli download mit --resume-download
Modell kann nicht über die HF-Modell-ID geladen werden	Aufgrund des Punkts im Namen zuerst lokal klonen: huggingface-cli download tencent/HunyuanImage-3.0-Instruct --local-dir ./ckpts/
Unscharfe oder minderwertige Ausgaben	Erhöhen Sie --num-inference-steps auf 40–50; erhöhe --guidance-scale auf 7.0
Bildbearbeitung ignoriert Anweisungen	Sei konkret, was geändert und was beibehalten werden soll; verwende kurze, klare Prompts
Gradio-Oberfläche startet nicht	Stelle sicher gradio>=4.0 installiert ist; prüfe, ob der Modellpfad auf das richtige Verzeichnis zeigt

Weiterführende Lektüre

• GitHub-Repository — offizieller Code, Inferenzskripte, Gradio-Demo

• HunyuanImage 3.0-Instruct (HuggingFace) — vollständige Modellgewichte

• Destillierter Checkpoint — schnelle Inferenz in 8 Schritten

• Technischer Bericht (arXiv) — Architekturdetails und Benchmarks

• ComfyUI-Integration — Community-Custom-Node für ComfyUI