Hi，我是洛小山，你的AI学习搭子。
今天，我想和你深入聊聊下混元图像 3 这款开源模型的边界。
如果你是 AI 技术产品经理，强烈推荐你看到最后。
去年，我写了一篇《当友商开着飞机来的时候，你挖的护城河还有用吗》，分析腾讯为什么要腹泻式开源。
那篇文章达成了历史最高的完读率。
当时我的判断是：腾讯打算在自己最擅长的战场：内容生态，做大力投入。
用开源换生态，用开源换标准定义权，用开源换开发者生态。
春节前，这个布局的效果来了…
混元图像 3.0 开源了图生图能力…
先说结论：
1、 如果你的公司必须私有化部署高质量生图模型，混元图像 3.0 可能是你最优选择之一。
2、 如果你是一家算力中心，推荐部署混元图像 3.0，提供对标 GPT-Image 效果的服务，提升服务价值。
3、 如果你是超级个体，可以直接试试在混元 3.0 官网和元宝全端免费体验。
80B 参数，代码权重全给你，完全开放，可以后训练。
我把它和 Gemini 3 Pro、ChatGPT Image、即梦 4.0、即梦 4.5 放在一起跑了一遍。 在 12 个维度的测试中，混元图像 3.0 在场景改造、风格转换、属性修改等核心维度上，已经追平甚至超越了部分闭源模型。
下面，我会通过 100+ 张实测对比图，告诉你：
1. 哪些场景它能打，哪些场景还不行？
2. 为什么这次不一样？
3. 对你的业务意味着什么？
先看一下我测评集里面的综合性测试，混元图像 3.0 模型已经超越部分闭源模型的改图效果。
图片是 10k 超清分辨率，在微信上可能会被压缩。
你可以后台发送「混元测试」获取完整测评结果。
01｜先看技术路径
在聊测试结果之前，先把混元图像 3.0 放到技术版图里看。
我之前在《Nano Banana Pro 为什么能做 PPT》里画过一个四象限，把主流的图像生成路线分了个类：
如今需要更新一下了～
混元图像 3.0 和 Nano Banana 都走自回归路线，但架构哲学不太一样。
Nano Banana：双脑协作
Gemini LLM 负责理解和规划，HART 负责生成。
两个模块各司其职，中间用 Layout Plan 来进行传递。
混元图像 3.0：单脑统一
图片的理解、推理、生成全在一个 Transformer 里完成。
官方文档的原话是：
unyuanImage-3.0 突破当前主流的 DiT 架构，采用统一的自回归框架。 该设计能更直接、统一地对文本与图像模态进行建模，实现了语义理解与图像生成的高度融合，从而生成效果惊人、语境丰富的图像。
翻译成人话：文本和图像不需要中间翻译，在同一个语义空间里处理。
看一下它的架构图：
这张图是混元图像 3.0 最核心的设计理念，值得展开讲讲。
中间那条蓝色的横杠，就是整个系统的大脑：就是 Hunyuan-A13B，一个只包括解析器的 Transformer 模型。
这个 Transformer 在应答你内容的时候，同时处理三件事：
① 图像理解（左边橙色区域）
② 语言建模（中间灰色区域）
③ 图像生成（右边蓝色区域）
关键在于：这三件事不是分开做的，而是在同一个 Transformer 里并行处理。
传统的多模态模型，比如 CLIP + Stable Diffusion，是这样工作的：
先理解文本和图像（理解模块）
把理解结果传给 Stable Diffusion（生成模块）
两个模块各自训练，中间用 Embedding 来对齐
然而，混元图像 3.0 把这两步合并了：
- 理解和生成共享同一个参数空间；
图像的语义（理解）和图像的像素（生成）在同一个 Transformer 里建模；
官方的说法是： 「文字和图片成像不需要中间翻译，在同一个语义空间里处理」
这就和人脑一样：你看到一张图，理解它是什么，然后想象出一张新的图，这些过程都发生在同一个神经网络里。
这个架构带来了三个好处：
1. 端到端训练
不需要分别训练理解模块和生成模块
理解能力和生成能力可以互相促进
2. 推理能力更强
Transformer 本身就擅长推理（这是 LLM 的强项）
所以混元图像 3.0 能做思维链式生成（CoT Think）
输入一张图 + 模糊的 Prompt，它能自己推理出详细的生成指令
3. 图生图能力天然支持
左边的 Und. Encoder 理解输入图像
右边的 Gen. Decoder 生成新图像
中间的 Transformer 做语义变换
整个流程一气呵成
不过，这个架构也有代价：80B 参数，64 个 MoE 专家，每个 token 激活 13B。意味着推理成本其实不低。
毕竟…
640G 的显存也不是随随便便谁都能掏得起的…
不过，如果你们公司之前部署过 DeepSeek R1 ，现在吃灰了的话…
可以玩玩这个。
这个是模型信息：
不过腾讯这次开源了蒸馏版本，8 步采样就能出图，算是在效果和效率之间找到了平衡。
那这俩架构下，混元和谷歌的这两条路谁更好？
现在下结论可能还有点早。
但至少在效果上，混元图像 3.0 证明了统一架构这条路不仅走得通，而且走得快。统一架构的优势直接帮他们追平了其他闭源模型。
而且从开源策略来看，腾讯这次是真的在押宝这条赛道。
02｜雷达图：开源追上来了
在上强度之前，我一般会先看看官方文档。
官方的SSAE评测（结构化语义对齐评估），覆盖12个维度、3500+关键点：
这里有几个关键的发现：
第一，四条线几乎重叠。
混元图像 3.0（红线）和 Seedream 4.0、Nano Banana、GPT-Image 几乎贴在一起。
这是开源模型第一次被拉到这张桌子上。
以前这种雷达图，开源模型的线总是比闭源模型挫一些，毕竟开源的还要啥自行车。
现在混元把这个差距基本拉平了（这也是我觉得腾讯开源很有诚意的原因之一）。
第二，中英文能力几乎一致。
左图是英文、右图中文，混元的曲线整体形状几乎没变。
英文场景下，即梦的动作和 Nano Banana 组合需求的能力好一些。
不过，鹅对中文理解的底子在这，没有因为刷国际 benchmark 而牺牲中文能力。
因为很多国内模型为了刷榜，英文数据喂得多，中文反而退化很多。
我觉得这也是混元自证能力的关键。
第三，唯一的明显短板是 Comp（组合能力）。
红线在这个维度有个凹陷。 也就是说，如果让它同时处理戴墨镜 + 戴帽子 + 骑独轮车 + 顶苹果这种复杂指令，遵循性是不够的。
这个短板也符合预期。因为统一架构的代价是序列长度有限，多概念并行处理能力天然弱于 Nano Banana 那种「先规划后执行」的方案。
但这个缺陷主要集中在英文场景下，中文场景基本上拉平了。
话不多说，简单总结一下这张雷达图吧。
这应该是开源模型第一次在全面性上追平闭源。
以前的开源模型，要么中文差（SD3），要么推理慢（DiT），要么组合能力弱（早期 VAR）。
混元是第一个在各个维度都没有明显短板的开源模型。
03｜实测：逐维度拷打
熟悉我的朋友们都知道，我基本上不看 Benchmark，因为我默认所有模型都会刷榜，我只相信实测结果。
下面是用我的测试集，在「没有充值」的情况下，进行的横向对比实测。
这里要先讲一下我自己设计测试集的原因。
混元官方博客提到，他们使用了SSAE（Structured Semantic Alignment Evaluation）这套业界最细粒度的语义评测框架。
地址：https://github.com/Tencent-Hunyuan/HY-Motion-1.0/blob/master/ssae/README_zh_cn.md
SSAE 的核心思路是这样的：
给定一个 Prompt，比如「个人向前滑步，同时做出用长矛刺击的动作」 会被拆解成三个问题： 此人是否沿着地面做出向前滑行的动作？ 手和手臂的动作是否像在握持并刺击一根长杆状物体？ 滑行动作和手臂刺击动作是否同时进行？
VLM （他们选的是 Gemini ）会对这三个问题分别回答是或否，如果三个都选择「是」，得分就是 100%；如果只有两个选择「是」，得分就是 67%。
这套方法看起来还挺严谨的，但对我们的参考价值不是那么大。
因为我们要的是可用，他们评的只是分数，评的只是有和没有。
这样布尔值的评估，两个模型的效果对比起来，就算都是「是」，质量也可能天差地别。
比如还是上面那个 case ，A 模型滑动自然、抓握自然，B 模型肢体僵硬、每个动作都有自己的想法。这两个模型可能评分都是 100， 但实用性完全是成稿和废稿的差别。
所以，我参考他们的维度，然后制定了自己的测试方法和测试集。
自己设计了一套测试集：SLCT-v。
全是Stress Limit Capability Test - vision ，不是山佬CT。
未来所有LLM 或者生图模型的横评，我都会基于这一套测试集来做，并考虑开源。
差异点主要有：
1.每个维度都会单独出题，单独给提示词。
不像 SSAE 这样，把多个参数混在一个大的 Prompt 里求平均分，我会针对每个语义维度单独设计专门的测试 Case。
比如要测场景动态改变（S-Action），我就只改场景，不改主体；
要测主体属性改变（P-KeyAttr），我就只改属性，不改场景；
要测复合动作（Composite Action），我就专门设计需要多个动作同时进行的场景。
这样的好处就是，在控制变量下，模型的短板能明显暴露出来。
2.难度递进，尽量逼近模型能力上线。
SSAE 是一个 Prompt 拆解问题做是和否的判断。
我的测法是：同一张参考图，然后给出三级难度递进。
基础难度测入门级要求，看基本能力；然后逐步提升难度，探索模型能力边界。
比如：Scene-Noun（场景元素修改）为例，参考图是一张阳光下的松树林。
基础难度就是语义替换，要求把松树换成「竹林」，保留光影。只要能简单改好内容就行。
升级难度是多个属性的耦合了，比如松树改成红枫树，然后枝干要扭曲，再加几块石头等等。
模型要理解内容，处理要求的同时还要考虑要求对内容的影响。
噩梦难度就是整个概念的重构了。
比如我要求改成卫星植物群落…提了更多要求的时候，基本上就是基于原图的二创了。
模型不但要理解光对环境的影响，要理解材质，还要把这些现实中不存在的东西画得像那么回事
3.人眼判断质量，不用是和否来打分。
SSAE 用 VLM 自动判断是否符合要求，效率高，但机器看不太出质量差异。
这些要求我也不会评估对和不对，而是在人的视角中，看好还是不好。
我的测法是：直接放大图对比，用人眼看质量天花板。
比如最后一个难度， NBP 就很拉了。
但 GPT Image 和 即梦的哪个好？文无第一武无第二，可能要见仁见智…
但，种种细节决定了能不能用、用得爽不爽的本质差距。
只有这些都取得了比较好的效果，我觉得才说明模型真的理解了用户的要求，而且有一定的泛化能力。
测试方法：
控制变量：同一张参考图（ICL）+ 同样的提示词（Prompt）。
模型横评：Gemini 3 Image Pro、ChatGPT Image、混元图像 3.0、即梦 SeedGream 4.0、即梦 SeedGream 4.5 同台竞技。
难度递进：基础到升级再到噩梦，逐步逼近能力边界。
一锤定音：只看首次生成的结果，不抽卡，不挑选。（即梦一次生成四张，所以会挑 4 张里最好的，这是即梦的产品设计，用户自己实际使用时也会这样选。）
注，为了节约篇幅：
1、后面Gemini 3 Image Pro 简写为：Gemini 3；
2、ChatGPT Image 简写为 GPT；
3、混元图像 3.0 简写为 混元 3
4、即梦 SeedGream 4.0 /4.5 分别简写为 即梦 4 和即梦 4.5
所有的 Case 都有配有原图。
10K 的大图可以后台发送「混元测试」获取完整测评结果。
我们现在开始。
Case：P-KeyAttr（关键属性修改）
这个维度通过最常见的静物摄影，考察模型的对于关键属性的调整：只改我想改的地方，而不破坏画面的其他部分。
参考图：一篮子红苹果放在木质野餐桌上，桌上还散落着两个苹果，背景是公园草地。
基础难度：把篮子外面的两个苹果改成绿色，篮子里的苹果保持红色
所有模型都具备了基础的语义级的遵循能力，识别出篮子外和篮子内的区别，没有出现某一对全变绿这样的低级错误。
但在真实性上，Gemini 3 会好于其他模型，混元改动之后有点像茄子，即梦的有点像塑料苹果。
升级难度：把所有苹果改成渐变色，从顶部的绿色过渡到底部的黄色，保持自然的水果质感
这个 Case 下，模型们对自然语言的理解开始出现分歧了。
这一题难在渐变。要求模型理解颜色的分布逻辑，以及真实世界的理解力。
几乎所有模型都调整了外边两个苹果的颜色，但 GPT 和即梦4 并没有遵循好绿黄渐变；
只有三个模型完整遵循了苹果改成绿黄渐变色的要求，分别是 Gemini 3 、混元3 和即梦 4.5；但除了 Gemini 3 以外，其他都比较像塑料。
全员翻车，但翻得各有各的特点。
在指令遵循上，最好的还是 Gemini 3 和混元 3，测到这里我不禁感慨技术选型真的有优势。
GPT 和即梦系列都把篮子给改了。
接下来就在 Gemini 3 和 混元3 矮子里面挑大个，真实性上 Gemini 3 比较好，但遵循能力上，混元 3 更强。
看完这个 Case ，你可能就会有一种感觉…
结论：
如果你要给一些保密的商品生图，混元的能力在一定程度上已经就位了。
Case：P-OtherAttr（次要属性修改）
这个维度考察模型对刚体结构和硬表面复杂材质的理解。
相比前面的苹果换色，给汽车做旧、轮胎漏气、加装甲，涉及到了更多自然世界以及几何结构的改变（比如凹陷、锈蚀）和多个物体的空间组合（如车顶架）。
参考图：一辆崭新的银色轿车停在现代停车场，车身光洁如新，背景是玻璃幕墙写字楼，地面干燥。
基础难度：给汽车车身添加明显的锈迹和划痕，让车看起来有十年车龄，保持车的位置和背景建筑不变
感受挺明显的，因为并不是所有模型都分得清「生锈」和「上色」
除了 GPT 以外，其他模型都干得不错。GPT 的感觉像是被熊孩子刮花了侧门然后冲进黄泥水里面转了一圈，车前盖干净如新就和刚换了一样…
升级难度：给汽车添加严重的破旧效果，包括大面积锈蚀、车窗破裂、保险杠凹陷、轮胎瘪气，车身布满灰尘和泥点，但保持停车场环境干净整洁
难点在于轮胎瘪气和保险杠凹陷这种组合性的要求。
车子不能因为轮胎瘪气而下降，动作要有所变化，略往前倾，这样才符合物理规律。
这个 Case 下，严格来说没有一个模型100% 遵循。
但表现最好的是即梦 4和 GPT。但 GPT 的凹陷非常不明显，即梦 4 的前车灯额外做了破裂，还自作主张画了停车线…
噩梦难度：把汽车改造成末日废土风格，车身锈迹斑斑并焊接着临时装甲板，车顶加装防护栅栏和备用油桶，轮胎外包裹铁链，车窗用铁板加固，但停车场和写字楼背景保持现代干净的状态形成强烈反差
这个要求考察点是矛盾指令，前景是废土风格，但要求保持其他部分的一致性。
在这个 Case 中，一致性遵循表现得最好的是腾讯混元 3.0 ，Gemini 和 即梦都给这辆车定性成了本田…
不知道是触发了什么刻板印象。
Gemini 车窗只加固了副驾，即梦不但在前盖上加了个排气孔，还自作主张在地面上画了线，旁边多停了一些车。
从这个 Case 里，混元仍然体现了很强的指令遵循性以及内容一致性。
在处理工业品和修改硬表面时，混元 3 和 Gemini 3 能位列第一梯队。
尤其是混元 3 对瘪气这种物理状态的刻画有点惊喜。
结论：
游戏资产生成（同一辆车的损毁状态变体，三角洲游戏快用你们自家的混元试试）
影视后期（干净的实拍素材上叠加战损效果）
这维度考察模型在保持原始场景透视、光影氛围的前提下，无中生有的能力。
难点在于交互逻辑和融合度：东西不仅要放上去，还要放得相对合理（比如书要朝向读者），而且光影要和阴雨天+环境光匹配。
参考图：一张深色木质餐桌摆在咖啡馆靠窗位置，桌面空空如也，窗外是街景，桌旁有两把椅子
基础难度：在桌子中央添加一个冒着热气的白色咖啡杯，杯子旁边放一本打开的书
这个 Case，热气是考点，书的朝向也是关键。
所有模型都把东西放上去了，但质感差距很大。
Gemini 3 还是标杆的存在，书的朝向，咖啡杯的尺寸都非常拟真，相对来说，GPT 和 即梦 4.5 就有点奇怪。
混元图像 3.0 的朝向虽然是对的，但看起来像人在看厚厚的字典。
升级难度：升级难度：在桌上添加一套下午茶用具，包括英式茶壶、两个茶杯、三层点心架（上面有马卡龙和小蛋糕），还有一个小花瓶插着鲜花，物品摆放要符合下午茶的典型布局
这个 Case 重点考察多物体组合导致的空间拥挤的管理。
要在这么小的桌面上放这么多东西，还不能穿模，还要符合下午茶规矩。
GPT遵循性翻车。它为了画清楚细节，直接改变了构图推进相机，导致焦距混乱。
即梦 4 杯子数量错了，Gemini 3 整体感觉最好，而混元 3 是唯一一个生成内容里面保留桌上原有的调味粉的模型。
噩梦难度：在桌上布置一个微缩景观模型，包括迷你山脉、小树林、流动的溪流、一座日式小桥和禅意石头，整个场景像是一个精致的盆景艺术品，要有景深层次感和真实的材质细节
这个 Case 主要考察大模型对多元素的控制。在桌面这个有限空间里面，构建包含山、树、水、桥、石的完整微缩世界，同时保持场景的逻辑和材质真实感。
大部分模型都在一定程度上翻车了。
还是一样的问题，GPT 的遵循性太差了，当指令复杂度超过他管理的阈值时，ChatGPT会牺牲原场景约束来完成生成任务。
从整体构图的角度来看，遵循性最好的依旧是 Gemini 3 和混元 3，即梦 4.5 为了内容合理性也调节了拍摄角度。
但从生成内容的角度来看，只有 Gemini 3 和 GPT 相对完整实现了微缩景观，其他模型都没有添加底座，即梦的模型对于「森林」也没有遵循好。
结论：
混元3比较适合产品概念设计，还有一些影视的概念设计，对自然世界理解力不足，最好避免在教育和科普类场景使用。
P-Action（动作改变）
这个维度考察的是：高保真的局部重绘与动作生成。
考察大模型在保持背景（客厅）和主体特征（橘猫）不变的前提下，大模型能否精准控制主体的复杂动作（跳跃、站起）然后和新物体（毛球、气球）产生合理的物理交互。
参考图：一只橘色短毛猫趴在客厅沙发上，四肢蜷缩，眼睛半闭，背景是温馨的家居环境，有书架和落地灯
这个维度考察的是：高保真的局部重绘与动作生成。
考察大模型在保持背景（客厅）和主体特征（橘猫）不变的前提下，大模型能否精准控制主体的复杂动作（跳跃、站起）然后和新物体（毛球、气球）产生合理的物理交互。
基础难度：猫从趴着改成坐立姿势，前爪并拢放在身前，头部抬起看向前方，保持在沙发上的位置和背景环境不变
这个 Case 核心考察对猫咪姿态修改的稳定性，需要在不破坏猫咪特征和整个场景的前提下，完成从趴着到坐着的简单动作的切换。
在这种场景下，其实每个模型做的都挺不错的。
在细节上面的 Gemini 3 和混元3对于猫的还原比较完整，其他的模型猫咪的脸部变化都挺大的。
升级难度：让猫做出跳跃半空的动作，四肢伸展，身体呈弧线，像是在扑向空中的一个毛球玩具（也要在画面中），猫的毛发要有动态感，背景保持不变
这里的核心考察的点是，对于这种高动态瞬间的捕捉能力，以及两个物体之间的互动。
考察模型能不能通过凭空生成小猫的四肢，以及完善小猫和毛球之间的交互细节。
最后整体看下来，相对完美的达成的只有即梦4，其他的模型都有一些小小的问题。
比如说 Gemini 3 没有达成四肢伸展、GPT 的动作很奇怪，而且身体也没有呈弧线，混元3 的问题是小猫的比例失调，即梦 4.5 的问题是背景没有保持一致（镜头角度变化了）。
噩梦难度：让猫做出杂技表演动作，后腿站立在沙发扶手上保持平衡，前爪高举抓着一串彩色气球，尾巴翘起用于平衡，表情专注，同时在沙发周围散落几个小球和玩具，营造出猫在表演马戏的氛围
这个 case 的关键点在于动作控制（动物拟人）加上特定位置的控制（沙发扶手）。
唯一一个完成任务的只有即梦 4，其他的模型全部都在沙发扶手这个要求下发明翻了车。
在这个 Case 下，即梦4的平衡性最好。
它既做到站在扶手上这个精准位置约束，同时最大限度保留了原图的背景和沙发材质。
结论：
如果你需要大模型对空间位置精确处理的话，用混元 3 可能要多次抽卡才行。
S-Noun（场景元素修改）
这个维度考察的是：全局的材质替换与空间结构的保持。
核心在于考察大模型能不能在保留原图的空间关系（山坡地形、树木分布、远近透视）的前提下，对场景中的核心元素进行改造。
参考图：一片茂密的松树林在山坡上，高大的松树笔直生长，地面铺满松针，阳光从树冠缝隙洒下，远处是连绵山峦。
基础难度：把所有松树替换成竹林，保持树木的密集程度和山坡地形，竹子挺拔修长，竹叶茂密，地面铺满竹叶，光影效果保持
这个 Case 核心考察的是同类材质的替换能力。
因为松树和竹子都是细长的垂直元素，模型需要做的是识别树干位置，然后替换纹理，同时保留那标志性的丁达尔效应。
在这个场景下，所有模型基本都完成了任务。
但在逻辑调整上，即梦 4.5和即梦 4表现最好，他们对于落叶的处理更为合理，即梦 4.5 对竹子在斜坡上的表现更为自然，而 Gemini 3 底下仍然是松针，倒下的依然是松木，GPT 直接把下方的枝干干没了。
即梦 4 和 即梦 4.5 对倒伏的树干处理得更为优雅，特别是即梦 4 ，能看出来换成了竹子（虽然看起来像是树）。
升级难度：把松树林改造成日本枫树林，树木是红色和橙色的枫叶，树干弯曲优美，地面铺满红色落叶，增加几块青苔石头和一条小石径，营造秋季枫叶季的氛围
接下来是升级的难度。
这里的核心考点涉及到对内容的改变。原图的松树是笔直的，而指令要求枫树变弯曲。
模型需要保持构图的同时，把直线变成曲线，还要加入小径。
这里差异就开始出现了。
这个 Case 下，表现好的是 Gemini 3，不但保持了页面构图，还因为前景的变化改变了背景中的植被（远山的树木）。
混元 3虽然做出了弯曲，但树干有点用力过猛，不太自然。
GPT氛围很好，但树木太多把阳光干没了…
即梦 4这里的处理比较高级，它不仅把树干变弯了，而且保留了左高右低的山坡地形，石头和小路的植入也比较符合透视逻辑，没有破坏原图的空间感。
噩梦难度：把整个森林改造成外星植物群落，树木变成发光的紫色蘑菇状巨型植物，高度参差不齐，表面有生物荧光纹路，地面生长着蓝绿色的发光藓类，空气中漂浮着发光粒子粒子，远处山峦改造成晶体状的矿物山体
这个 Case 的关键点在于超现实材质的想象力和对细节指令的响应（远处的晶体山）。
关键测试模型的想象力，能不能把树变更成巨型蘑菇，把山变更到晶体。
在这个难度下，混元 3 对指令遵循能力最强，所有的要求都达成了。
其次是即梦4.5，不但保持了阳光，整体构图也相对完整。
Gemini 3 就有点拉了，背后还是松树…是几个模型里面最没有想象力的一个。
GPT 有点过了，又开始自己演绎，真的就是听话听一半的心累感。
结论：如果你是游戏场景概念设计，或者影视的美术，要做 concept ，主推还是混元 3。
S-Attr（场景属性修改）
这个维度考察的是：全景的光影修改能力。
考察大模型能否在保持建筑物结构透视（强约束）的前提下，对环境光线（白天转黑夜）、天气材质（干燥转湿润/雾气）以及氛围感（赛博朋克）进行重构。
参考图：一条现代城市街道在正午阳光下，天空湛蓝无云，路面干燥，两侧是商铺和咖啡馆，行人稀少，光线明亮
基础难度：把场景改成傍晚时分，天空出现橙红色晚霞，街灯开始亮起暖黄色灯光，商铺窗户透出室内灯光，地面有长长的影子
这个 Case 核心考察的是全局色调迁移与光源逻辑重构。
模型不仅要换个天空背景，地面还必须根据新的光源位置生成合理的「长投影」，同时建筑物的固有色要受环境光影响。
在这个Case 下，所有模型的长投影都错了。
但是所有模型都能做好玻璃幕墙对天空的反射，以及白平衡。
画面呈现上，混元 3 和 即梦 4处理得更好一些，ChatGPT的饱和度略高，有点过于美化了，Gemini 3 把人弄没了，可能它觉得晚上大家得回去吃饭。
升级难度：把场景改成雨夜，天空漆黑，街道湿滑反射着霓虹灯光和街灯，路面有积水和水坑倒影，商铺橱窗光线透过雨雾变得朦胧，空气中有雨丝
这里的核心考察点是从「漫反射材质」（干路面）到「镜面反射材质」（湿路面）的转换，以及对光源在潮湿环境下的晕染处理。
整体看下来，GPT在这里的质感表现是统一度最高的。路面的湿润感、水坑的分布以及光线的反射都非常写实。关键是，GPT 是唯一一个让行人打伞的模型。
Gemini 3 这一轮表现不够好，一方面是行人全消失了，另一方面是地面处理得不好，有点像没有干的沥青混水，缺乏随机的水坑。
即梦 4和 即梦4.5的天空太干净了，不像雨夜。
朦胧的感受上， Gemini3 和 混元 3 表现得最好。
噩梦难度：把场景改造成重度雾霾天气的神秘氛围，街道笼罩在浓重的紫色雾气中，能见度很低，只能看到近处的轮廓，街灯光线形成明显的丁达尔光柱，商铺的宽虹灯在游戏中形成光晕，地面湿润反光，空气中漂浮细微颗粒物，营造出赛博朋克式的压抑感
这个 Case 的关键点在于体积光的生成（丁达尔效应）以及纵深感的压缩（要看不见远处）。
这是一次对渲染引擎物理推理能力的高要求测试。
在这个难度下，Gemini 3就是版本答案。
Gemini 3 对远处雾气的处理，真的做到了能见度很低，而且街灯的逻辑是对的，也很有赛博朋克的压抑感。
其他模型的街灯在乱摆，有些模型只开了一半的灯。
GPT 虽然很艺术，但它中间的噪点加得莫名其妙。
结论：
如果你要实现电影级的需求，那 Gemini 3 确实强。
因为这个 Case 对其他模型而言，都不那么擅长。
P-Action（场景动态改变）
这个维度考察的是：环境重构与透视保持。
考察大模型在面对从不同程度递进的需求时，能不能在不破坏街道透视关系和两侧建筑结构的前提下，合理地填充要求（车流、人群、洪水、碎片）并处理好光影。
参考图：一条现代城市街道在正午阳光下，天空湛蓝无云，路面干燥，两侧是商铺和咖啡馆，行人稀少，光线明亮
基础难度：在街道上添加中等密度的车流，包括轿车、公交车和出租车，车辆分布在三个车道，有适度的运动模糊效果
这个 Case 核心考察的是最基础的填充与运动感表达。AI 需要在空白的路面上画出符合要求和透视关系的车辆，然后加上动态模糊。
在这个场景下，各家模型基本都勉强及格，区别主要在于对运动模糊的理解。
三个车道是我给 AI 挖的坑，因为一些数学不好的 AI 模型会生成 4 条车道。
所以从这个角度来看，结果最好的是 GPT 和 即梦 4.5。
但在画面逻辑上，表现最好的是 混元 3 和 即梦 4。
为啥呢？
因为 Gemini 3 和 GPT 的车道线也虚化了。
虽然车是运动的，但拍摄者是静止的，所以地面上的车道线也应该静止。
而即梦 4.5 的问题是，右侧的公交车逆行了。
升级难度：保持原图背景不变的情况下，在街道上同时添加密集车流和人群，车流处于高峰期缓慢移动状态，人行道上有大量行人快速穿梭，十字路口有人在过马路，画面要体现城市的繁忙动态感，人和车都有自然的运动姿态。
接下来是升级难度，又是一个几乎都小小翻车的场景。
这个 Case 核心考察高密度素材填充下的一致性。
当画面内容很密集的情况下，模型很容易为了放得下这么多人然后擅自改变相机的机位。
即梦4.5 确实直接改变了机位，而其他四个模型保持不变。
一致性表现得最好的，是即梦 4，其次是 混元 3。
Gemini 3 的斑马线不见了，GPT 在别人公司门口塞了好几个红绿灯。
噩梦难度：在街道上创造极端天气下的灾难场景，狂风暴雨中树木摇摆，广告牌被吹飞、垃圾桶滚动，洪水形成激流冲刷路面
这个 Case 的关键点在于全图的氛围渲染和逻辑合理化。
既要毁掉这条街（加水、加雷电、加飞天广告牌），又得让我们认出这还是原来那条街。
几个模型都很嗨。
其中 GPT 和 Gemini 3 的视觉冲击力最强，电影感最足。
但 Gemini 3 的离谱之处在于，都这程度了，右边的人还能这么淡定喝咖啡。
即梦的问题在于天上的广告牌太离谱，而且画面太干净，行人走出了汽车的水花。
简而言之就是没太有逻辑。
混元 3在这块表现相对克制许多。
结论：
如果你希望做电影感，GPT 是更好的选择，但你如果需要兼顾画面逻辑，那可能还是需要 Gemini 3 和混元这些 LLM Base 的模型。
Scene-Noun (整体场景转换)
这个维度考察的是：结构保持，内容重组。
简单来说，就是在结构不变的情况下，把里面的内容合理化重构。
参考图： 一间明亮的现代办公室，白色墙壁，落地窗，简约办公桌椅，电脑显示器，绿植，地板是浅灰色地毯
基础难度：把办公室改造成传统中式书房，墙壁换成木质护墙板，办公桌换成红木书桌，椅子换成圈椅，电脑换成笔墨纸砚，添加书架和字画，地板改成青砖地面
这个 Case 核心考察的是材质替换的准确性。
所有的物体都需要一一对应：现代桌→红木桌，电脑→笔墨，地毯→青砖，同时你还不能把房间券格局改了。
结果是 Gemini 3 留下，其他全Out
没啥好说的，其他的模型都没有完整基于框架生成。
升级难度：把办公室改造成维多利亚时代图书馆，墙壁改成深色木质书架直达天花板，摆满古籍，办公桌换成雕花写字台，椅子换成绿色皮质座椅，添加壁炉、铜质台灯、地球仪，地板换成深色木地板配波斯地毯，落地窗换成彩色玻璃窗
接下来是升级难度，主要考察复杂纹理的适配。
原本通透的玻璃窗要变成花哨的彩色玻璃，原本的大白墙要变成复杂的书架。
空间遵循能力上，Gemini 3、GPT、混元 3相对较好，即梦系列墙角方位改变。
混元 3 对植物保留意外的好，植物基本上都保留在原位了。
噩梦难度：把整个办公室改造成水下科研站观察室，墙壁变成巨大的透明玻璃舱壁能看到深海环境，外面游动着发光水母和深海鱼类，办公桌换成金属控制台配备全息投影显示器，椅子换成太空舱式座椅，天花板有管道和仪表，地板是金属格栅，舱内有蓝色应急灯光和气泡柱，营造深海基地的科幻氛围
这个 Case 的关键点在于整个环境光照的重构。
室内原本是日光照明，现在要变成深海幽蓝的冷光源，然后墙体要变成透明的耐高压玻璃。
这个 Case 下，混元 3 胜出。
在设备位置层面，Gemini 3 和混元 3 都保持了工位的一致，但 Gemini 3 居然能在水下种树…
GPT 的问题在于水下不应该有直角的玻璃。
即梦系列的不但没有遵循工位和结构的约束，这个看起来像是在水族馆里。
结论：
如果你需要对实拍照片进行严格的风格迁移，那 Gemini 3 几乎是你最佳选择，其次就是混元 3 。
混元 3 支持私有化部署，如果你是建筑设计公司，有保密需求的，真·推荐你私有化部署一套混元。
如果大家感兴趣，我写一写如何私有化部署一套 640 B 的模型。
Scene-Attr（场景氛围改变）
这个维度考察的是：光影重塑和新的纹理覆盖。
考察大模型在完全保留空间几何结构（走廊透视、门框位置）的前提下，通过改变光照源（把顶灯关掉换成应急灯）和叠加表面纹理（污渍、破损），来实现从治愈到致郁的情绪转变。
参考图：一条现代医院的走廊，白色墙壁，明亮的日光灯照明，干净的地板，两侧是病房门，氛围平静专业
基础难度：把走廊改成夜晚值班时段，大部分日光灯关闭只剩应急灯亮着，光线昏暗，墙壁和地板的阴影加深，营造安静冷清的深夜氛围
这个 Case 核心考察的是对光源的精准控制。
原图是全亮的漫反射环境，现在要求模型能够识别出天花板上的灯是光源，然后关灯，同时要增加点光源（应急灯）。
这个 Case 每个模型都存在一些问题，我来细数一下。
1. Gemini 3 的问题在于缺少了应急灯。
2. GPT 的问题在于灯光没了，但灯光倒影还在。
3. 混元 3 效果不错，但是右侧见光不见灯。
4. 即梦 4的问题是关灯了但是还是白天。
5. 即梦 4.5 的表现相对来说最好，但丢失了顶部应急灯的地面反射。
升级难度：把走廊改造恐怖片氛围，灯光闪烁不定，墙壁斑驳老旧，有水渍和裂痕，地板积水反光，一扇病房门虚掩着透出诡异的绿光，走廊尽头笼罩在浓重阴影中
接下来是升级难度，考察局部光效和雾效。
这个 Case 下面，Gemini 3 效果最佳，然后是 GPT，因为GPT 丢失了后面的细节。
混元 3 效果不错，但遗憾的是左边的门没有遵循原图。
即梦系列也都相当不错。
不过 混元 3，即梦系列的问题都是保留了人。
都啥时候了，还上班呢………
噩梦难度：把走廊造成极致恐怖的废弃精神病院场景，墙壁大面积剥落露出砖块，布满涂鸦和血迹状污渍，天花板部分坍塌露出钢筋，地板破损积满污水和碎片，病房门损坏歪斜，从门缝透出忽明忽暗的冷光，走廊中央散落着翻倒的轮椅和医疗设备..
这个 Case 的关键点在于破坏再重建。
模型不仅要加元素（污渍），还要改场景（天花板坍塌、露钢筋），同时还要加道具（轮椅）。
这一轮，感受上 Gemini 3 和 GPT 非常好，国产的模型统一的问题还是画面太过于干净了。
结论：
如果你追求极致的画面质感和电影级的光影氛围（比如做恐怖片的分镜），
Gemini 3 依然是首选，它的审美在线，生成的图直接能用。
Shot（镜头变换）
这个维度核心考察的是两点透视的构建。
参考图：一栋 Bauhaus 风格的办公楼正面照，平视角度拍摄，建筑占据画面中央，前景是一块草坪，草坪上有设计感的雕塑，晴天
基础难度：把视角改成门前低角度仰拍，相机位置在地面约1米高向上拍摄，建筑呈现向上汇聚的透视效果，天空占据画面上半部分更多，建筑显得更加宏伟
原图是平视（一点透视），变成仰视需要让垂直线条在顶部汇聚起来。
虽然我觉得都不满意，因为所有模型都没有做好门前低角度的仰拍。
非要矮子里面挑大个的话，那就是 Gemini 3，其他模型都当没听见。
特别是即梦 4.5 甚至反向操作，产生了新的畸变。
升级难度：把视角改成无人机高空俯拍，相机在建筑顶部上方约50米处向下俯视，能看到建筑的屋顶结构，前方广场的全貌，周围街道和临近建筑的布局，采用鸟瞰图的构图方式
这个 Case 核心考察的是逻辑推理与脑补（Inference）。
原图只有正面，AI 根本不知道屋顶也是什么样，也不知道楼后面有什么。
然后它必须根据「包豪斯风格」这个提示词，推理出「这应该是个平顶的建筑」
这一个 Case 下，表现最好的是 Gemini 3，遵循性较强。
GPT 和 混元3 的问题在于拉得太低，不像是 50 米（17 层楼俯瞰），像是十楼左右往下看。
混元 3 对于雕塑的位置处理不足。
即梦系列模型表现相对刻板了，它并没有理解这个是一个平顶的建筑。
噩梦难度：把视角改成极限的蚂蚁视角超广角仰拍，相机贴近地面仅10厘米高度，使用鱼眼镜头效果，建筑呈现极度夸张的透视变形向天空延伸...
这个 Case 的关键点在于光学畸变模拟。
不仅仅是换角度，更要模拟「鱼眼镜头」那种圆形的成像圈和边缘的拉伸感。
这里出现了两个明显的翻车选手：
1. Gemini 3并没有完全没理解什么是鱼眼镜头，居然还画了一个莫名其妙的白色雕塑，把镜头效果理解成了画面内容。
2. GPT 看起来还不错，但畸变不足。
3. 混元3 的畸变处理良好，但只是拉伸了画面，没有做成圆形的鱼眼边框，属于审题不严。
4. 即梦系列的无力吐槽。4.5 甚至还加了一只蚂蚁。
哎，蚂蚁视角 ≠ 要加蚂蚁啊！
不然我真的很期待你生成老婆饼会画出来什么。
结论：
总结起来，这个场景下各家模型的表现都差强人意，或多或少存在理解偏差或处理不到位的问题。可能需要针对具体的需求多次抽卡。
Style (风格转换)
这个维度考察的是：人像特性保持下的风格转换。
风格转换不仅仅是加个滤镜。
高阶的风格转换要求模型理解原图语义，然后换一个视觉语言（笔触、线条、时代服饰）把这个语义重新讲一遍，同时还要让观众一眼还原。
参考图：IU 《21 世纪大君夫人》官方宣传剧照
基础难度：把照片转换成梵高后印象派油画风格，保持人物轮廓和构图，使用厚重的笔触，鲜明的色块，典型的梵高式旋转笔触，背景变成蓝绿色涡旋纹理
这个 Case 核心考察的是纹理合成与面部保护。
怎样在脸上堆满油画笔触，却不把脸画烂，是个技术活。
这个环节 Gemini 3 和 GPT 继续领跑，效果非常赞。
国产模型里，混元3 遵循性比较好，即梦系列的过于扁平。
升级难度：把照片转换成吉卜力工作室动画风格，人物变成手绘动画角色，保持五官特征但简化线条，使用水彩质感的色彩，眼睛变大更有神采，添加动画特有的高光和阴影处理
升级难度，考察二次元化与特征抽象。
美观度由 GPT 领跑（符合我的审美），遵循性也很不错。
Gemini 3 反而对吉卜力风格的把握不够精准，国产模型虽然能做好动漫设计，但对效果把握又不足。
噩梦难度：把照片转换成中国宋代工笔画风格，人物变成古代仕女形象但保留现代人的面部特征，穿着改成精致的宋代服饰，头发梳成古代发髻配饰钗环，使用细腻的线描勾勒五官和服装纹理，色彩采用矿物颜料的典雅色调如朱砂红、石青、石绿，背景改成水墨渲染的留白构图，添加工笔花卉装饰边角
这个 Case 主要测试的是大模型的风格迁移能力和细节的遵循性。
结果来看，混元 3 在提示特征遵循性上表现最好。
最明显的证据：IU 左侧的长发，只有混元 3 和即梦 4 生成了，混元 3 更完整一些。
Gemini 3 和 ChatGPT 都把发型改成了对称的古典发髻。
混元 3 保留了长发这个特征，背景的工笔画花卉边角也不错。
虽然即梦 4 也做到了这点，但并不是工笔画，而是水墨。
即梦 4.5 不但丢失了长发这个细节，工笔画的规则也没有遵循好。
但从视觉呈现看：
Gemini 3 和 GPT 更抓眼球，细腻程度最高（但不国风），有一种唐人街挂画的感觉。
结论：
在这个 Case 下，我个人觉得混元 3 无论是遵循性还是效果，都相当不错。
Comp（组合能力）
这个维度考察的是：多物体局部重绘和语义一致性。
这个是最难，最关键的维度。
而且是雷达图里，混元最弱的一项。
考察大模型能不能在记住保持原图布局的同时，一次性往里面塞进 3-5 个互不相关的物体（机器人、兔子、长椅、烟雾），并且还要保证这些物体之间的大小比例、透视关系和光影一致。
参考图：一个整洁的家庭花园，修剪齐整的草坪，几棵小树，花坛里开着鲜花，小石径通向远处，晴天
基础难度：在花园中央添加一个银色的人形机器人，机器人手持浇水壶正在给花坛浇水，机器人高度约1.5米，具有明显的机械关节和金属质感
这个 Case 核心考察的是材质融合与物理交互。
机器人必须看起来是站在草地上的，金属表面要有环境光的反射（绿草、蓝天）。
怎么说呢，Gemini 3 和 混元 3的机器人勉强算个矮子，其他的机器人像 1 米 5的吗？
这个属于几乎全军覆没的 Case。
基础强度 Case 尚且如此…
升级难度：在花园中添加一个蒸汽朋克风格的机器人在修剪灌木，机器人身上有铜制齿轮和蒸汽管道，一只手是剪刀工具，背部有小烟囱冒出蒸汽，同时在草坪上添加两只白色兔子在玩耍，远处的树下放置一张铁艺长椅
这个 Case 难度骤增，考察细粒度属性控制。
重点检查：「一只手是剪刀工具」
这属于非标准结构生成，由于模型训练集的原因，大部分模型很容易画成普通的手拿着剪刀，或者直接画两只手。
混元 3 是唯一一个真正理解了一只手是剪刀工具的模型。
可恨的是他并没有在修剪…
至于其他的模型，翻车就完事了。
噩梦难度：在花园中创造一个奇幻场景：中央添加一个半透明的花仙子悬浮在空中挥舞魔法棒，魔法棒尖端发出金色星光粒子洒向花朵，花朵瞬间绽放出彩虹色光芒，同时在草坪上添加三个发光的蘑菇圈，蘑菇高约50厘米呈现蓝紫色荧光，一只橙色的狐狸戴着小帽子坐在长椅上看书，天空中漂浮着几个透明泡泡反射着彩虹光，整个场景要有童话般的梦幻感同时保持花园的基本布局
这个 Case 是终极考验：复杂堆叠下的细节丢失率。
我们需要检查：仙子是否透明？蘑菇是否发光？蘑菇圈是不是 3个？最难的是：狐狸是否戴了帽子并且在看书？
这个 Case 下，只有 Gemini 3 是语义理解的真神，其他的模型对于描述的遵循能力仍然差异巨大。另一个能理解蘑菇圈的，就只有混元3…
结论：
别太过指望大模型能理解各种独特且复杂的请求…
综合测试 (Comprehensive Test)
这个 Case 是本次评测的最终大 Boss。
这个 Case 是本次评测的终极考题，它考察的是：多语言文字编辑能力 + 复杂环境光影叠加 + 动态模糊与反射的物理渲染。需要大模型在复杂的限制条件下产出可用的图像。
参考图：图片引用自互联网，原作者为：@胡楠川。
第一关：把招牌上的所有地名和品牌进行替换（精准文字控制）
这个 Case 核心考察的是精准的局部重绘与文字渲染。
难点在于：
- 多语言混合：同时处理中文、拼音、韩文。
- 品牌色替换：蜜雪冰城（红）变星巴克（绿）。
- 背景融合：改了字还得保留霓虹灯的发光质感。
王者就是 Gemini 3，接下来就是 混元 3 。
Gemini 3 太绝了，人家的 LOGO 你也学会？？？
混元3 的文字有涂抹感，这里我要替混元辩解一下，Gemini 3 生成的是 4k 图，混元只有 1k，所以文字有涂抹是可以理解的…
第二关：环境改为雨夜并通过公交车窗拍摄（材质与光影物理）
这个 Case 考察的是图层叠加与光照。
这一把模型不需要改字了，但需要在原图前面加「一块带水的玻璃」
一致性上，表现得对号的是GPT，然后是混元 3。 即梦 4 在车窗上贴了俩字，Gemini 3 换了个拍摄角度。
第三关（噩梦难度）：行驶中的公交车、电子屏镜像、车灯扫过、动态模糊（极高密度信息处理）
这个 Case 考察的是混沌管理。
要在画面里塞进：暴雨、动态模糊（车在动）、内部反射（车内LED屏倒影 + 文字）、外部强光（车灯）。通常模型处理这么多干扰源很容易崩坏。
这个 Case 几乎没有模型能赢………
因为车内对于 LED 的反光，应该是反向的。
反向的文字 + 多国语言 + 积水效果…
有一个算一个，全翻。
04｜适用边界：什么场景用它
基于上面的测试，我整理了一个适用性矩阵：
如果你是做「工业视觉」
建议首选：腾讯混元 3.0。
在测试中我发现，混元有一种「死磕结构」的执念。
苹果变水晶，篮子不动；
办公室变海底，工位不动；
街道变洪水，楼房不动。
这种特性在电商（SKU 生成）、家装（风格迁移）、工业设计（材质预览）领域是非常重要的。
因为客户要的是「我的产品换个颜色」，而不是「给我画一张新的产品图」。
如果你是做「泛娱乐」
如果你追求的是「第一眼惊艳」，用户只是想生成一张好看的壁纸、头像，不在乎车是不是那是那辆车，楼是不是那栋楼，建议首选：ChatGPT Image 。
因为 GPT 的审美和画面张力（虽然偶尔会由于构图变化导致不像）更适合创作场景。
如果你要…「私有化部署」
如果你是设计公司，或者是对数据隐私极其敏感的国企/车企，混元 3.0 可能是你目前唯一的选择。
GPT 和 Gemini 再强，你的数据也得合规。
而混元是支持私有化部署的。
这意味着你可以把这套「懂物理、懂结构」的模型，搬到你们自己家服务器上，专门训练一套「汽车外观质检」或者「楼盘夜景生成」的专用模型。
05 | 为什么这次不一样
开源图像模型很多，为什么混元图像 3.0 值得单独拿出来讲？
这要回到开头我提到的那个问题：为什么腾讯突然变得这么激进？
第一，效果真的够用了
看完前面的横评你应该有感觉：这个模型基于架构优势，在部分场景能和 Gemini 3、ChatGPT 打平手，在物理材质重构和结构保持这两个维度上甚至有局部优势，天平开始向开源模型倾斜了。
第二，架构选择藏着野心
前面讲过，混元图像 3.0 用的是统一自回归架构，把图像拆成 token 来处理，和 LLM 的思路一脉相承。
这条路被验证之后，意味着：
- 可以无缝扩展到视频生成
（图像 token → 视频帧序列，天然支持时序建模）
- 可以和 LLM 共享基础设施
（训练框架、推理引擎、优化工具，一套代码打天下）
- 多模态融合更简单
（文本、图像、视频，都是 token，都能塞进同一个 Transformer）
腾讯选这条路，可以仿照 Google ，达成未来整个多模态生态的统一。
第三，开源诚意拉满
80B 参数完全开放，代码、权重、蒸馏版，全都给了。
官方还同步放出了Distil 版本：原本需要 50 步采样的流程，压缩到 8 步，效率提升 6 倍，推理成本直接砍下来不少。
腾讯要的是生态，越多人用混元，越多人基于混元开发应用，腾讯云的调用量就越大，腾讯在 AI 内容生产这条赛道上的话语权就越重。
这是阳谋，但也是双赢。
06 | 对开发者们意味着什么
说完腾讯的算盘，再说说对我们的影响。
对于应用开发者：
1. 本地部署终于有了不错的选择
数据敏感的场景：政务、医疗、金融…
以前只能羡慕 Nano Banana。
现在有了一个效果真·能打、可以私有化部署的选项。
2. 成本结构变了
以前用 API，按次付费，用得越多花得越多。
现在可以一次性投入硬件，把模型部署在自己的服务器上。
对于高频使用场景（比如每天要生成上万张电商图的公司），长期成本会低很多。
对于Start up：
之前做 AI 图像应用，核心能力。
你能做的只有在产品体验上卷：但体验再好，基模还是把控了你的关键成本。
现在不一样了…
开源模型你可以做深度定制，针对特定场景调优，甚至训练自己的专属产物？
这可能是真正可以建立技术壁垒的机会，也可能会倒闭闭源模型开源罢…
- 不过微调这个我还会再调研，现在不清楚是否真的能做好后处理。
终 | 腾讯这次是认真的
两年前内测混元的时候，说实话，有点一言难尽。
我一直觉得混元是「面向股东训练的大模型」。
这次他们在场景理解、氛围控制、物理材质这些维度上，混元图像 3.0 确实站上了领先的位置。
但短板也很明确：
复杂组合容易丢元素
镜头语言理解不足
动态动作容易比例失调
但作为一个完全开源的模型，能做到这个程度，我觉得已经是里程碑级别的进展。
你试过混元图像 3.0了吗？
欢迎在评论区聊聊你的体验。
我是洛小山，我们下期见。
关于我
我是洛小山，一个在 AI 浪潮中不断思考和实践的大厂产品总监。
我不追热点，只分享那些能真正改变我们工作模式的观察和工具。
如果你也在做 AI 产品，欢迎关注我，我们一起进化。
本文知识产权归洛小山所有。
未经授权，禁止抓取本文内容，用于模型训练以及二次创作等用途。
热门跟贴