# HunyuanImage 3.0 HunyuanImage 3.0 von Tencent ist das **weltweit größte Open-Source-Bildgenerierungsmodell** mit insgesamt 80 Mrd. Parametern (13 Mrd. aktiv während der Inferenz). Veröffentlicht am 26. Januar 2026, bricht es mit Konventionen, 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 elementerhaltende Bearbeitungen durch, beherrscht Stilübertragungen und sogar Multibilderfusion, alles mit nur einem Modell. **HuggingFace:** [tencent/HunyuanImage-3.0-Instruct](https://huggingface.co/tencent/HunyuanImage-3.0-Instruct) **GitHub:** [Tencent-Hunyuan/HunyuanImage-3.0](https://github.com/Tencent-Hunyuan/HunyuanImage-3.0) **Lizenz:** Tencent Hunyuan Community License (kostenlos für Forschung & kommerzielle Nutzung unter 100M MAU) ## Hauptmerkmale * **80 Mrd. insgesamt / 13 Mrd. aktive Parameter** — größtes Open-Source-Bild-MoE-Modell; aktiviert pro Inferenz nur 13 Mrd. Parameter * **Einheitliche multimodale Architektur** — Text-zu-Bild, Bildbearbeitung, Stiltransfer und Mehrbildkomposition in einem Modell * **Anleitungsgetriebene Bearbeitung** — beschreibe in natürlicher Sprache, was du geändert haben möchtest, dabei werden unveränderte Elemente bewahrt * **Verdichteter 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 | Einsatzgebiet | 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 | Konfiguration | Einzelne GPU (Offloading) | Empfohlen | Multi-GPU Produktion | | ------------- | ------------------------- | ------------ | -------------------- | | GPU | 1× RTX 4090 24GB | 1× A100 80GB | 2–3× A100 80GB | | VRAM | 24GB (mit Layer-Offload) | 80GB | 160–240GB | | RAM | 128GB | 128GB | 256GB | | Festplatte | 200GB | 200GB | 200GB | | CUDA | 12.0+ | 12.0+ | 12.0+ | **Empfohlene Clore.ai-Konfiguration:** * **Bestes Preis-Leistungs-Verhältnis:** 1× A100 80GB (\~$2–4/Tag) — läuft bequem mit dem vollständigen Modell ohne Offloading * **Budget-Option:** 1× RTX 4090 (\~$0.5–2/Tag) — funktioniert mit CPU-Offloading (langsamer, aber funktionsfähig) * **Schnelle Produktion:** 2× A100 80GB (\~$4–8/Tag) — für Batch-Generierung und das Instruct-Modell ## Schnellstart ### Installation ```bash # 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/cu121 # Modellgewichte herunterladen huggingface-cli download tencent/HunyuanImage-3.0-Instruct --local-dir ./ckpts/HunyuanImage-3-Instruct ``` ### Text-zu-Bild mit Transformers ```python import torch from transformers import AutoModelForCausalLM, AutoTokenizer # Modell laden (erfordert ~80GB VRAM für Vollpräzision) 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 erzeugen prompt = "Ein ruhiger japanischer Garten im Herbst, Koi schwimmen in einem kristallklaren Teich, goldene Ahornblätter fallen, Aquarell-Malstil" output = model.generate_image(prompt, num_inference_steps=30) output.save("japanese_garden.png") ``` ### Verwendung der Gradio-Weboberfläche Die einfachste Möglichkeit, mit allen Funktionen zu experimentieren: ```bash 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 einen SSH-Tunnel zugreifen: `ssh -L 7860:localhost:7860 root@` ## Beispielanwendungen ### 1. Text-zu-Bild-Generierung (CLI) ```bash cd HunyuanImage-3.0 python inference.py \ --model-path ./ckpts/HunyuanImage-3-Instruct \ --prompt "Cyberpunk-Stadtbild bei Nacht, neonbeleuchtete Wolkenkratzer spiegeln sich in regengetränkten 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 — bearbeite vorhandene Bilder, indem du die Änderungen beschreibst: ```bash 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 distillierten Modell (8 Schritte) ```bash # Distillierten 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 einem Pferd auf dem Mars reitet, fotorealistisch" \ --output-path astronaut.png \ --num-inference-steps 8 ``` ## Vergleich mit anderen Bildmodellen | Funktion | HunyuanImage 3.0 | FLUX.2 Klein | SD 3.5 Groß | | ---------------------- | -------------------- | ---------------------- | ---------------------- | | Parameter | 80B MoE (13B aktiv) | 32B DiT | 8B DiT | | Architektur | Autoregressives MoE | Diffusions-Transformer | Diffusions-Transformer | | Bildbearbeitung | ✅ Native | ❌ Benötigt ControlNet | ❌ Benötigt img2img | | Mehrbildfusion | ✅ Native | ❌ | ❌ | | Stiltransfer | ✅ Native | ❌ Benötigt LoRA | ❌ Benötigt LoRA | | Min. VRAM | \~24GB (ausgelagert) | 16GB | 8GB | | 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 distillierte Modell für Geschwindigkeit** — `HunyuanImage-3.0-Instruct-Distil` generiert in 8 Schritten statt 30–50 und reduziert die Inferenzzeit um das 4–6-fache. Die Qualität bleibt überraschend nahe am vollständigen Modell. 2. **A100 80GB ist der Sweet Spot** — Eine einzelne A100 80GB (\~$2–4/Tag auf Clore.ai) betreibt das Instruct-Modell ohne Offloading-Tricks. Das ist deutlich schneller als eine RTX 4090 mit CPU-Offloading. 3. **Modelle vorab herunterladen** — Der vollständige Instruct-Checkpoint ist \~160GB. Lade ihn einmal auf ein persistenten Clore.ai-Volume herunter, um ein erneutes Herunterladen bei jedem Start einer neuen Instanz zu vermeiden. 4. **Verwende SSH-Tunneling für Gradio** — Setze Port 7860 nicht öffentlich aus. Verwende `ssh -L 7860:localhost:7860` um sicher aus deinem Browser auf die Weboberfläche zuzugreifen. 5. **Probiere das vLLM-Backend für Batch-Arbeiten** — Wenn du viele Bilder generierst, bietet der vLLM-Inferenzpfad (im `vllm_infer/` Ordner) deutlich bessere Durchsatzraten. ## Fehlerbehebung | Problem | Lösung | | ---------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------- | | `CUDA out of memory` auf RTX 4090 | Verwenden Sie `device_map="auto"` um CPU-Offloading zu aktivieren, oder wechsle zum Distil-Modell | | Download schlägt fehl / sehr langsam | Setze `HF_TOKEN` als Umgebungsvariable; verwende `huggingface-cli download` mit `--resume-download` | | Kann Modell nicht über HF-Modell-ID laden | Aufgrund des Punkts im Namen zuerst lokal klonen: `huggingface-cli download tencent/HunyuanImage-3.0-Instruct --local-dir ./ckpts/` | | Verschwommene oder niedrigqualitative Ausgaben | Erhöhen Sie `--num-inference-steps` auf 40–50; erhöhe `--guidance-scale` auf 7.0 | | Bildbearbeitung ignoriert Anweisungen | Sei spezifisch darüber, was geändert und was erhalten werden soll; verwende kurze, klare Prompts | | Gradio-Oberfläche startet nicht | Stelle sicher, dass `gradio>=4.0` installiert ist; überprüfe, dass der Modellpfad auf das richtige Verzeichnis zeigt | ## Weiterführende Lektüre * [GitHub-Repository](https://github.com/Tencent-Hunyuan/HunyuanImage-3.0) — Offizieller Code, Inferenzskripte, Gradio-Demo * [HunyuanImage 3.0-Instruct (HuggingFace)](https://huggingface.co/tencent/HunyuanImage-3.0-Instruct) — Vollständige Modellgewichte * [Distillierter Checkpoint](https://huggingface.co/tencent/HunyuanImage-3.0-Instruct-Distil) — 8-Schritt schnelle Inferenz * [Technischer Bericht (arXiv)](https://arxiv.org/pdf/2509.23951) — Architekturdetails und Benchmarks * [ComfyUI-Integration](https://github.com/bgreene2/ComfyUI-Hunyuan-Image-3) — Community ComfyUI benutzerdefinierter Knoten