21 天追平 GPT-4o？字节 Seed 玩真格的

GPT-4o 在 3 月底掀起的“吉卜力”风潮过去还没多久，字节又加入了图像生成竞赛。

4 月 15 日，字节 Seed 团队发布了中英双语图像生成基础模型 Seedream 3.0，主要在文本渲染能力增强、美学质量提升、原生高分辨率输出、高效推理成本方面进行了优化。

Seedream 3.0 支持原生 2K 分辨率图像生成，无需后处理，同时兼容更高分辨率，适应多种比例输出。在不使用位置编码（PE）情况下，生成一张 1K 分辨率图像仅需约 3 秒，速度远超当前主流商用模型。

字节还针对 CT（对比学习）和 SFT（监督微调）阶段的数据，专门训练了多个版本的字幕模型。这些描述模型覆盖了美学、风格、版式等多个专业领域，极大增强了 Seedream 3.0 对提示词的响应能力。

Seedream 3.0 继续采用 MMDiT 架构来处理图像和文本的 token。团队采用混合分辨率训练策略，在每一阶段训练中，将不同纵横比和分辨率的图像打包在一起进行训练。为提高泛化能力，团队将 2.0 中的 Scaling RoPE 扩展为“跨模态 RoPE”，进一步增强图文 token 之间的对齐能力。

与 2.0 中采用 CLIP 作为奖励模型不同，Seedream 3.0 使用视觉-语言模型（VLMs）作为奖励建模框架，将指令明确地构建为查询（Query），并通过“Yes”响应 token 的归一化概率来计算奖励值。奖励模型的规模也从 10 亿参数扩展到了 200 亿以上。

字节在论文中表示，在人工智能评测平台 Artificial Analysis 的公开测试中，Seedream 3.0 在多个维度表现领先，位居图文生成模型榜首，超越 GPT-4o、Midjourney v6.1、Imagen 3 等主流模型。

另外，字节还特地跟 GPT-4o 进行了对比。

OpenAI 的 GPT-4o 虽具强大多模态能力，但在图像生成方面仍存在短板。对比显示，Seedream 3.0 在中文文本渲染、图像编辑一致性和整体画质上表现更优。

GPT-4o 擅长英文小字与符号，但中文排版欠佳；图像编辑功能灵活，却难保原图一致性。SeedEdit 则在保留人物 ID 和提示词遵循上更稳健。画质方面，Seedream 图像更清晰自然，而 GPT-4o 常出现偏色和噪点。