【AGI-Eval评测报告】混元图像2.0模型开箱评测，模型实测效果大放送！

di腾讯几天前发布混元图像 2.0 模型，创新性地实现了“边说话边出图”、“边打字边出图”的功能，为我们带来了前所未有的交互新体验，那么它的实际能力表现又如何了？现在就为大家实测一波。

目录：

1.腾讯混元图像 2.0 模型介绍

2.腾讯混元图像 2.0 模型开箱评测

   2.1 评测核心结论

   2.2 实时文生图评测

   2.3 实时绘画板评测

1. 腾讯混元图像 2.0 模型介绍

以往的模型生图需要输入完整的 prompt，继而等待图像生成，在等待过程中，如果突然有了新的想法，也只能等图像生成完之后才能看到是不是想要的图片效果。

现在这个难题有了解决方案，腾讯发布混元图像 2.0 模型突破性实现毫秒级实时响应，支持边描述边生成的动态交互。用户输入、修改prompt时，模型实时完成图像重绘，告别传统生成等待耗时。

混元图像2.0新增“实时绘画板”功能 。用户手绘元素轮廓 + 文字注释，模型就能即时生成高精度效果图，让创意灵感快速落地为具象画面，让模型生图从“输入提示词-等待模型生成”的线性节奏，变成了输入与输出同步发生的实时交互。

腾讯混元图像 2.0 模型三大亮点

1.效率与质感并行：腾讯混元图像 2.0 模型实现了毫秒级的创作速度和超写实画质，号称是首个商业化毫秒级响应文生图模型，并对图像质感做了系统性重构，可达到高写实效果，可用性高。

2.多语义理解能力：腾讯混元图像 2.0 模型引入多模态大语言模型（MLLM）作为文本编码器，配合自研的结构化 caption 系统，语义响应速度遥遥领先，在GenEval评测集上，腾讯号称以0.9597超过了所有文生图模型。不仅能理解你在说什么，更能快速推测出你希望画面「怎么表达」。

3.多重使用方式：对于普通创作者而言，只需文字输入或语音说出提示词，无论是做社交配图、教学插图，还是记录灵感片段，模型都能实时生成图像。

对于有设计基础的用户，可以实时画布、多层编辑。用户在左侧绘制线稿，右侧同步生成光影、材质等细节；还支持图层叠加与局部调整，帮助用户从草图到成图「一气呵成」，有效突破传统绘图软件中「绘制-等待-修改」的流程。

模型体验入口：https://hunyuan.tencent.com/

2.模型开箱评测

那么 ，腾讯混元图像 2.0 模型在实测表现中又如何呢？

首先来看本次开箱评测的核心结论。

2.1 评测核心结论

AGI-Eval 大模型评测社区第一时间做了模型评测，评测结论如下：

腾讯混元图像 2.0 模型在实时生成速度和交互模式上实现了一定突破，尤其适合快速获取基础视觉素材或日常娱乐图像。然而，模型输出效果在细节精度、语义理解和真实感方面仍存在一定局限，比如生图存在明显AI感，暂不适合专业性要求较高的办公或设计场景。建议用户根据实际需求权衡使用，优先用于概念生成和创意探索，并结合人工后期处理提升最终图像效果。

2.2 实时文生图评测

那么首先来看实时文生图功能，我们将从无参考图和有参考图两个方向进行评测。

2.2.1 无参考图类型

prompt1：春天，温暖的室内，一只布偶猫蹲在窗户旁看外面的阳光，凝视着窗户外洒落的阳光

经实测发现，腾讯混元图像 2.0 模型确实可以根据prompt的修改实时生成图像，并且达到毫秒级速度响应。从图中可以看出一只布偶猫在望着窗外，猫种特征明显，动作及窗外置景基本符合prompt的描述。

为了测试腾讯混元图像 2.0 模型的能力边界，我们拓展下 prompt，看生成的画面能否更加丰富。

prompt：春天，温暖的室内，一只布偶猫蹲在窗户旁看外面的阳光，凝视着窗户外洒落的阳光，接着又有一只无毛猫跳了上来，它们俩没有对视，挨着一起，看窗户外一只蓝色蝴蝶，在它们身后，是室内的茶几、茶杯、电视和沙发

可见，腾讯混元图像 2.0 模型在测试中出现生成图片跟指令不符的情况，画面闪烁不定，输入指令明确为“它俩没有对视”，而画面闪过的两只猫在互相对视；prompt明确是“窗外的蝴蝶”，而画面中的蝴蝶是室内的，图像层次不清晰；并且画面元素缺失，“室内的茶几、电视和沙发”的prompt被吞掉，模型的指令遵循不佳。

从这个测试结果来看，腾讯混元图像 2.0 模型的实时文生图能够基本满足画面生成需求，但其存在较多指令遵循问题，生成的画面也存在较多的细节问题。

prompt 2 ：一个餐桌，上面有一口冒着泡泡的田字格火锅，火锅里有很多辣椒，俯视来看，锅的周围摆满了蔬菜和牛肉羊肉毛肚

腾讯混元图像 2.0 模型生成的这张火锅图，开始锅里还在冒火，火锅里的辣椒居然可以那么大，与现实场景中的不同，对火锅周围的蔬菜和肉类的生成也不精准，分类模糊，“田字格火锅”的形状也没有呈现出来。

我们特意缩短 prompt，然而模型生成的图像在细节上无法很好地满足需求，甚至存在图文不符的情况，比如要求生成的是娃娃菜，图像生成的是几头蒜，AI味过重。

prompt 3：一辆锈迹斑斑的红色皮卡车，配有白色轮圈

我们为其准备了一个简单的prompt，混元图像 2.0 模型可以快速精准满足需求，质感相对来说较真实。

prompt 4：苹果品牌的logo是一个被咬了一口的苹果，用同样的规律生成一张"香蕉品牌"的logo

腾讯混元图像 2.0 模型生成的这张"香蕉品牌"的 logo 图，在输入完前半句 prompt 时可以满足需求，但明显在语义理解和逻辑推理上存在不足，生成了一张组合图，与我们想要的效果图完全不符。

prompt 5：以行星为主题，按照真实的位置分布和大小比例画出太阳系的八个大行星

这张图片只画了5个行星，并没有画出太阳系的八个大行星，更没有按照位置排布，对学科知识的掌握弱于GPT-4o。

prompt 6：一张微笑的憨豆先生黑白照，在抽着香烟跟一位女士在交谈

混元图像 2.0 对单主体 prompt”微笑的憨豆先生黑白照"生成精准，展现强理解力。但处理多元素组合指令"抽香烟 + 与女士交谈”时，虽中间过程短暂符合要求，最终输出却将抽烟主体错误映射至女士，多主体交互场景的指令遵循能力差，生成的动作与主体不相符，多对象交互场景的语义一致性较差。

prompt 7：蒙娜丽莎的微笑这幅画，让蒙娜丽莎用手挡住嘴哭泣

prompt 中前半句可以满足，画面的还原度较高，输入prompt的后半句可以看到眼泪的痕迹，虽然语义上可以对齐，但与现实并不相符，哭泣时的表情仍在微笑，没有结合现实因素。

prompt 8：富士山下的樱花树林，超清，真实摄影

这张图的生成效果较好，画面的真实度非常高，画面构成也符合需求，完成度很高。

prompt 9：用很多朵红玫瑰编织而成的上海武康大楼，这是一座建在30°锐角的路口上，楼身狭长像一艘轮船，采用法国文艺复兴式建筑风格，墙上有一个LED屏，展示腾讯混元图像 2.0 模型的字样，街道上很多行人，敞篷跑车在等红绿灯，背景是上海的老建筑，天空格外晴朗，能看到太阳光

腾讯混元图像 2.0 模型满足 prompt 提到的“行人、跑车、红绿灯、老建筑”等元素，但不符合常识，对上海著名地标不清楚，生成的内容图文不符，LED屏内容显示不清楚，存在明显字符畸形。

tips：如果遇到画面没有变化时，可以点击画质优化，也可以起到刷新的作用。

2.2.2 有参考图类型

为了给大家对比测试有无参考图，对模型生成图像的影响，我们仍选用了上述prompt9的内容，紧接着将武康大楼的参考图上传，看看效果。

prompt 1：用很多朵红玫瑰编织而成的上海武康大楼，这是一座建在30°锐角的路口上，楼身狭长像一艘轮船，采用法国文艺复兴式建筑风格，墙上有一个LED屏，展示腾讯混元图像 2.0 模型的字样，街道上很多行人，敞篷跑车在等红绿灯，背景是上海的老建筑，天空格外晴朗，能看到太阳光

可以看出，有了参考图，轮廓和建筑风格上至少会相似几分，但形状和样式却相去甚远，少部分内容按照 prompt 生成；同时，点击参考轮廓会比参考主体的构图更贴近原图，但整体来看都没有按照 prompt 的需求来生成，整体指令遵循能力较差，生成图片质量不高。

prompt 2 ：按照参考图片的风格，生成一个都市女白领喝咖啡的照片

此次我们给到参考图，为宫崎骏风格，但是 prompt 并没有明确说明是“宫崎骏风格”，需要腾讯混元图像 2.0 模型自己识别。

腾讯混元图像 2.0 模型 在艺术风格迁移测试中显现技术短板：当输入指令明确要求"宫崎骏风格"并细化场景描述后，输出图像仍未能呈现该风格标志性特征。

测试表明，当前版本对艺术风格关键词的语义解析存在表层化问题，且在复合指令（风格定义+生物特征+空间逻辑）叠加场景下，生成系统难以有效协调多维度参数，导致核心要素丢失或风格表达失真。

这次我们在 prompt 中，指出了参考图为宫崎骏风格，生成的画面符合我们的需求，生成的都市女性是“宫崎骏风格”的。

2.3 实时绘画板评测

来到实时绘画板区域，左边是你的创意画板，右边就是实时生图的区域，绘画板图片的生成速度慢于实时文生图，不过还是可以接受的。这里依旧将从无参考图和有参考图 两个方向进行评测。

2.3.1 无参考图类型

实时绘画板的使用，可以先在左边手绘参考图，下方输入 prompt，在右侧生成图片。

prompt 1：两个生日蛋糕，上面都有两支蜡烛

这是一个基础的绘画问题，腾讯混元图像 2.0 模型生成了两个生日蛋糕，很明显，绘画板上左侧是一个单层蛋糕，右侧是一个双层蛋糕，而生成了两个蛋糕，均为单层蛋糕，对更细节的层次数量上还无法满足。

prompt 2：三颗流星划过地球上空，旁边有一个小飞碟

在此案例中，图片的生成效果尚可，颇有“大片感”，但也存在严重的问题，prompt中要求三颗流星、一个飞碟，图片中却出现了四颗流星，两个飞碟。说明模型对“数字”掌握的不好。

prompt 3：古装男女主相对站立，深情望着彼此，背景为古代城墙

生成的图片基本包含左侧画板中的元素，通过人物的样貌与穿着可初步认为是在中欧时期，背景的城墙未按照画板内容完全显示，在原始绘图细节还原上存在一定的瑕疵。

prompt 4：夜晚的雪山全景，雪山下是一片雪地，银河横跨天际，山巅覆盖积雪，天上有云朵，云朵被月光染成淡紫色，高清， 写实风格

在生成写实图时，无法按照描述100%对应，当图片强度为100时，就完全按照所描绘的图画形成右侧内容，但内容带有动漫感；同时降低图片强度就会减弱对画板内容的依赖，更多的参考文本内容。

prompt 5：苹果品牌的logo是一个被咬了一口的苹果，用同样的规律生成一张"香蕉品牌"的logo

腾讯混元图像 2.0 模型的实时绘画板，也无法实现"香蕉品牌"的logo。只能对针对画板的内容进行生图，无法生成创意类的设计。

2.3.2有参考图类型

也可以先上传参考图，再在参考图中增加画面细节，我们上传了一张小狗图，并输入prompt，在绘画板中绘制了小猫简笔画。

prompt 1：身着红色衣服的小狗开心地笑着，身旁有一只小猫咪

结合参考图，腾讯混元图像 2.0 模型生成了一张憨态可掬的图片，画面背景虚化，突出主体，宛如摄影作品。

prompt 2：将猫咪领结的颜色变成绿色，蝴蝶

腾讯混元图像 2.0 模型生成了一张不错的动漫图，一个戴着绿色领结的猫咪生成了，猫咪毛发清晰真实。

prompt 3：城市高楼大厦林立，傍晚的天空中，左侧飞过飞机，右侧闪耀着绚丽的烟花

混元图像 2.0 在该场景生成中具备基础构图能力，“飞机和烟花”基本满足需求，但对建筑物改动较大，与原始参考图存在明显偏差，同时天空光影处理出现饱和度异常与自然光照失衡，“AI 味” 明显。

以上就是本次开箱的全部内容，可以看到腾讯混元图像 2.0 模型作为行业首个实现实时生成能力的产品，其创新价值值得充分认可。尽管当前效果在细节处理、语义对齐、场景适配等方面仍有很大提升空间，但技术探索的勇气已彰显行业标杆意义。

期待腾讯混元图像 2.0 模型加速迭代，在数字创作、智能设计等更多领域落地应用，以技术突破持续重构视觉生成体验。

— 完 —