HunyuanImage 3.0

在 Clore.ai GPU 上运行 HunyuanImage 3.0——腾讯的 80B MoE 多模态图像生成与编辑模型

腾讯混元图像 HunyuanImage 3.0 是 全球最大的开源图像生成模型 总参数量 800 亿（推理时激活 130 亿）。于 2026 年 1 月 26 日发布，它通过将图像生成、编辑与理解统一到单一自回归模型中打破常规——不再需要文本到图像和图像到图像的分离管道。该模型能生成照片级真实感图像，执行精确的元素保留编辑，处理风格迁移，甚至进行多图像融合，所有功能均来自一个模型。

HuggingFace： tencent/HunyuanImage-3.0-Instruct GitHub： Tencent-Hunyuan/HunyuanImage-3.0 许可： 腾讯混元社区许可（免费用于研究与商业用途，前提是月活用户少于 1 亿）

主要特性

• 总计 800 亿 / 推理时激活 130 亿 参数 — 最大的开源图像 MoE 模型；每次推理仅激活 130 亿参数

• 统一的多模态架构 — 在同一模型中实现文本到图像、图像编辑、风格迁移和多图像合成

• 指令驱动的编辑 — 用自然语言描述你想要更改的内容，保留未被触及的元素

• 提供蒸馏检查点 — HunyuanImage-3.0-Instruct-Distil 仅需 8 个采样步骤即可更快生成

• vLLM 加速 — 原生 vLLM 支持，在生产环境中显著加速推理

• 自回归框架 — 与基于 DiT 的模型（FLUX、SD3.5）不同，使用统一的自回归方法同时用于理解与生成

1024x1024

A100	模型变体	步数	HuggingFace
HunyuanImage-3.0	仅文本到图像	30–50	tencent/HunyuanImage-3.0
HunyuanImage-3.0-Instruct	文本到图像 + 编辑 + 多图像	30–50	tencent/HunyuanImage-3.0-Instruct
HunyuanImage-3.0-Instruct-Distil	快速推理（8 步）	8	tencent/HunyuanImage-3.0-Instruct-Distil

要求

配置	单 GPU（可卸载）	推荐	多 GPU 生产环境
GPU	1× RTX 4090 24GB	1× A100 80GB	2–3× A100 80GB
显存	24GB（使用层卸载）	80GB	160–240GB
内存	128GB	128GB	256GB
磁盘	200GB	200GB	200GB
CUDA	12.0+	12.0+	12.0+

推荐的 Clore.ai 配置：

• 最佳性价比： 1× A100 80GB（约 $2–4/天）— 可在不使用卸载的情况下舒适运行完整模型

• 预算选项： 1× RTX 4090（约 $0.5–2/天）— 可使用 CPU 卸载（更慢，但可用）

• 快速生产： 2× A100 80GB（约 $4–8/天）— 适用于批量生成和 Instruct 模型

快速开始

安装

# 克隆代码仓库
git clone https://github.com/Tencent-Hunyuan/HunyuanImage-3.0.git
cd HunyuanImage-3.0

# 创建环境
pip install -r requirements.txt
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

# 下载模型权重
huggingface-cli download tencent/HunyuanImage-3.0-Instruct --local-dir ./ckpts/HunyuanImage-3-Instruct

使用 Transformers 进行文本到图像

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

# 加载模型（完整版精度大约需要 ~80GB 显存）
model_path = "./ckpts/HunyuanImage-3-Instruct"
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True,
)

# 从文本生成图像
prompt = "秋天宁静的日本庭院，锦鲤在清澈的池塘中游动，金色枫叶飘落，水彩画风格"
output = model.generate_image(prompt, num_inference_steps=30)
output.save("japanese_garden.png")

使用 Gradio 网络界面

体验所有功能最简单的方式：

cd HunyuanImage-3.0

# 安装 Gradio
pip install gradio

# 启动网页界面
python gradio_demo.py \
    --model-path ./ckpts/HunyuanImage-3-Instruct \
    --server-name 0.0.0.0 \
    --server-port 7860

然后通过 SSH 隧道访问： ssh -L 7860:localhost:7860 root@<clore-ip>

使用示例

1. 文本到图像生成（CLI）

cd HunyuanImage-3.0

python inference.py \
    --model-path ./ckpts/HunyuanImage-3-Instruct \
    --prompt "赛博朋克夜景，霓虹灯照亮的摩天大楼倒映在被雨水浸湿的街道上，飞行汽车，体积雾，8K" \
    --output-path output.png \
    --num-inference-steps 30 \
    --guidance-scale 5.0

2. 使用自然语言进行图像编辑

这是 HunyuanImage 3.0 的突出功能之一——通过描述更改来编辑现有图像：

python inference.py \
    --model-path ./ckpts/HunyuanImage-3-Instruct \
    --prompt "将季节改为冬季，树木被雪覆盖" \
    --image-path input_photo.jpg \
    --output-path edited_winter.png \
    --num-inference-steps 30

3. 使用蒸馏模型快速生成（8 步）

# 下载蒸馏检查点
huggingface-cli download tencent/HunyuanImage-3.0-Instruct-Distil \
    --local-dir ./ckpts/HunyuanImage-3-Instruct-Distil

# 仅用 8 步生成（快 5-6 倍）
python inference.py \
    --model-path ./ckpts/HunyuanImage-3-Instruct-Distil \
    --prompt "一名宇航员在火星上骑马的肖像，照片级真实感" \
    --output-path astronaut.png \
    --num-inference-steps 8

与其他图像模型的比较

特性	HunyuanImage 3.0	FLUX.2 Klein	SD 3.5 Large
参数量	80B MoE（激活 13B）	32B DiT	8B DiT
架构	自回归 MoE	扩散变换器（Diffusion Transformer）	扩散变换器（Diffusion Transformer）
图像编辑	✅ 原生支持	❌ 需要 ControlNet	❌ 需要 img2img
多图像融合	✅ 原生支持	❌	❌
风格迁移	✅ 原生支持	❌ 需要 LoRA	❌ 需要 LoRA
最小显存	~24GB（可卸载）	16GB	8GB
速度（A100）	~15–30 秒	~0.3 秒	~5 秒
许可	腾讯社区	Apache 2.0	Stability AI CL

给 Clore.ai 用户的提示

1. 为提速使用蒸馏模型 — HunyuanImage-3.0-Instruct-Distil 在 8 步而非 30–50 步中生成，将推理时间缩短 4–6 倍。质量仍然出乎意料地接近完整模型。

2. A100 80GB 是最佳选择 — 单块 A100 80GB（在 Clore.ai 上约 $2–4/天）可在不使用任何卸载技巧的情况下运行 Instruct 模型。这比使用 CPU 卸载的 RTX 4090 快得多。

3. 预先下载模型 — 完整的 Instruct 检查点大约为 160GB。将其下载到持久化的 Clore.ai 卷中，以避免每次启动新实例时重复下载。

4. 对 Gradio 使用 SSH 隧道 — 不要将 7860 端口公开暴露。使用 ssh -L 7860:localhost:7860 从浏览器安全地访问网页界面。

5. 尝试使用 vLLM 后端进行批量工作 — 如果你要生成大量图像，vLLM 推理路径（在 vllm_infer/ 文件夹中）能提供显著更好的吞吐量。

# 使用固定种子以获得一致结果

问题	解决方案
CUDA 内存不足（out of memory） 在 RTX 4090 上	使用 device_map="auto" 以启用 CPU 卸载，或切换到 Distil 模型
下载失败 / 非常慢	设置 HF_TOKEN 环境变量；使用 huggingface-cli download 与 --resume-download
无法通过 HF 模型 ID 加载模型	由于名称中有点号，请先本地克隆： huggingface-cli download tencent/HunyuanImage-3.0-Instruct --local-dir ./ckpts/
输出模糊或低质量	增加 --num-inference-steps 到 40–50；增加 --guidance-scale 到 7.0
图像编辑忽略指令	对要更改和要保留的内容要具体；使用简短、清晰的提示
Gradio 界面无法启动	确保已安装 gradio>=4.0 ；检查模型路径是否指向正确的目录

延伸阅读

• GitHub 仓库 — 官方代码、推理脚本、Gradio 演示

• HunyuanImage 3.0-Instruct（HuggingFace） — 完整模型权重

• 蒸馏检查点 — 8 步快速推理

• 技术报告（arXiv） — 架构细节与基准测试

• ["example.jpg", "戏剧性轮廓光，深色背景", 25, -1], — 社区 ComfyUI 自定义节点