ERNIE-Image (and Turbo)とは？
ERNIE-ImageはBaidu初の単独のオープンなテキストから画像モデルで、2026年4月に2つのチェックポイントで公開されました。50ステップで動く教師ありファインチューニング版のERNIE-Imageと、DMDと強化学習で8ステップに蒸留したERNIE-Image-Turboです。どちらも約80億パラメータのシングルストリームdiffusion transformer、Ministral 3ベースのテキストエンコーダー、FLUX.2のVAEを使い、短いプロンプトを詳しい説明に書き直すオプションのプロンプトエンハンサーを備えています。
ウェイトはApache 2.0で、BaiduによればVRAM 24GBの一般向けGPUで動きます。プリセット解像度は1024x1024から1376x768まで7種類です。Baiduはポスター、漫画、複数コマのレイアウトなど、文字とレイアウトが正確でなければならない画像を想定しています。
ERNIE-Image (and Turbo)の料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Weights | Free | Apache 2.0 |
| fal (Turbo) | $0.01 per megapixel | |
| fal (ERNIE-Image) | $0.03 per megapixel |
ウェイトはApache 2.0で無料。falではTurboが1メガピクセルあたり0.01ドル、50ステップのモデルが1メガピクセルあたり0.03ドル。
ERNIE-Image (and Turbo)は使う価値があるか？
ERNIE-Imageはベンチマーク上のほうが、人間の投票よりもよく見えます。Baidu自身の表では、GenEvalで0.8856とオープンモデルの首位、プロンプトエンハンサー有効時のOneIG-ENで0.5750とSeedream 4.5に並び、LongText-Benchの平均0.9733は比較の中でSeedream 4.5に次ぐ2位です。
Artificial Analysisの選好ランキングは別の評価です。ERNIE Image Turboは108モデル中81位で915 Elo、50ステップのERNIE Imageは84位で909と、Z-Image Turbo（936）を下回り、オープン首位のQwen-Image-2.1（1045）には大きく及びません。蒸留版のTurboが遅いモデルより高いのは、美しさ重視で調整したというBaiduの説明と合っています。
価値はライセンスとサイズにあります。Apache 2.0には売上の上限がなく、約80億パラメータのtransformerは24GBのカードで動き、falのTurboは1メガピクセルあたり0.01ドルなので1024x1024の画像は約1セントです。
プロンプトエンハンサーはタダの改善ではありません。有効にするとGenEvalは0.8856から0.8728に下がり属性の結び付けも悪化しますが、OneIGと長文スコアは上がります。短いプロンプトを大量に書くチームは両方の設定を試すべきです。エンハンサーは別の言語モデルで、Baiduは速度のためにvLLMで別に動かすことを勧めています。
真価を発揮する場面
4人で運営するウェブコミックチーム
セリフ入りの複数コマのページや絵コンテを下描きする
下描きは24GBのカードでComfyUIのTurboを8ステップでローカル実行し、仕上げのコマは50ステップのモデルに切り替えます。Apache 2.0なので漫画を売ってもライセンス料はかかりません。
ECプラットフォームのグロースチーム
価格が読める中国語と英語の販促バナーを大量に作る
falのTurboエンドポイントを1メガピクセルあたり0.01ドルで呼べば、1024x1024のバナー50,000枚で月約500ドル。エンハンサーは文字には効き属性の結び付けには逆効果なので、有効と無効の両方で試してください。
デザインソフト企業のMLエンジニア
製品内に画像生成エンドポイントを用意する
SGLangのOpenAI形式エンドポイントで展開するか、速度のためにプロンプトエンハンサーをvLLMで別 に動かします。NVIDIAもNIMコンテナとして提供しています。
導入前に確認すること
- 導入
- DiffusersをソースからインストールしてErnieImagePipelineを読み込むか、モデルパスを指定してsglang serveを起動します。Baiduによれば24GBのGPUで足ります。
- 連携
- Diffusers、SGLang、プロンプトエンハンサー用のvLLM、ComfyUI、NVIDIA NIM、falのホスト版エンドポイント。
- データとプライバシー
- Apache 2.0のウェイトは完全にオフラインで動きます。学習データの出典や規模はモデルカードに書かれていません。
- 大規模利用時のコスト
- falでは1メガピクセルの画像100,000枚がTurboで約1,000ドル、50ステップのモデルで3,000ドル。セルフホストならワーカー1つにつき24GBのGPU 1枚。
- 制限
- プリセットは1376x768までの7種類。テキストから画像のみ。エンハンサーは属性の結び付けを弱めることがあります。速度の公表値はありません。
良い点
- 売上上限のないApache 2.0
- 24GBの一般向けGPUで動く
- Baiduのテストで長文とレイアウトのスコアが高い
- falのTurboは1メガピクセルあたり0.01ドル
気になる点
- Artificial Analysisのテキストから画像ランキングで108中81位
- プロンプトエンハンサーで一部のスコアが下がる
- プリセット解像度は7種類で、1376ピクセルを超えるものはない
- 編集用バリアントがない
おすすめの人
ポスター、漫画、文字の多いレイアウトのために、商用制限のないオープンモデルを24GBのGPU 1枚で動かしたい開発者。
ERNIE-Image (and Turbo)の代替
ERNIE-Image (and Turbo)：よくある質問
- ERNIE-Image (and Turbo)は使う価値があるか？
- ERNIE-Imageは文字とレイアウトをきちんと配置し、Apache 2.0で24GBのカードに収まりますが、アリーナの投票者はZ-Image-Turboより下に評価しています。 評価は5点満点中3.6点です。
- ERNIE-Image (and Turbo)の料金は？
- ウェイトはApache 2.0で無料。falではTurboが1メガピクセルあたり0.01ドル、50ステップのモデルが1メガピクセルあたり0.03ドル。
- ERNIE-Image (and Turbo)の欠点は？
- Artificial Analysisのテキストから画像ランキングで108中81位; プロンプトエンハンサーで一 部のスコアが下がる; プリセット解像度は7種類で、1376ピクセルを超えるものはない; 編集用バリアントがない.
- ERNIE-Image (and Turbo)は誰に向いているか？
- ポスター、漫画、文字の多いレイアウトのために、商用制限のないオープンモデルを24GBのGPU 1枚で動かしたい開発者。
- チームや本番環境でERNIE-Image (and Turbo)を使うと費用はいくらか？
- falでは1メガピクセルの画像100,000枚がTurboで約1,000ドル、50ステップのモデルで3,000ドル。セルフホストならワーカー1つにつき24GBのGPU 1枚。
- ERNIE-Image (and Turbo)は企業データを扱っても安全か？
- Apache 2.0のウェイトは完全にオフラインで動きます。学習データの出典や規模はモデルカードに書かれていません。
- ERNIE-Image (and Turbo)の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はZ-Image-Turbo, GLM-Image, Qwen-Image-2.1 、 MOSS-Imageです。
回答確認日：2026年11月7日