普林斯顿发布开源图像模型 i1：30 亿参数，代码与配方全公开

普林斯顿大学开源的 i1 是一个 30 亿参数的文生图扩散模型，模型文件大小约 12GB，可以轻松放进大多数消费级设备运行。它能生成写实照片、多种艺术风格画作和动漫插画，在包含大量文字的图像排版渲染上也有不错的表现。

它能做什么，表现到底如何

先说明白，i1 并不是目前画画最强的模型。研究团队也很坦白，它的综合生成质量落后于 Z Image 和 Qwen Image，也比不上最近发布的 Ideogram 和 ERNIE Image。如果你只是想找个作图工具生成几张好看的壁纸，它并不是当前的首选。

但如果把范围限定在「完全开源」的阵营里，它的表现相当亮眼。

论文在 GenEval、DPG、PRISM、CVTG-2K 和 LongText 这五个代表性基准测试上进行了评估。结果显示，i1 在面对主流测试时保持了很强的竞争力，在平均成绩上比目前最好的完全开源模型高出整整 29.5 个百分点。

真正的价值：完全透明的训练配方

现在行业里很多所谓的开源模型，其实只公开了模型权重，核心的训练数据清洗规则和训练细节一概不提。大家拿到权重能用，但根本不知道它是怎么炼出来的，社区想从零复现或者优化也无从下手。

普林斯顿这次把整套底牌都摊开了。

他们不仅发布了模型权重、推理代码，还完整放出了训练代码和端到端的数据处理管线，而且整个训练过程完全基于公开数据集完成。

为了摸清文生图模型的最佳设计路线，团队累计消耗了超过 70 万小时的 TPU v6e 算力，完成了 300 多次严格的控制变量实验。这些实验给出了不少扎实的工程结论，比如在混合多个精选数据集时，直接采用等权重分配就是一个非常强健的默认策略；再比如增大文本编码器的适配器，几乎不需要增加多少参数量，就能显著提升模型的生成表现。

想要尝试的研究者可以直接通过论文页面提供的代码链接，获取模型权重、运行指南和数据处理管线。

为什么重要

对于纯粹的作图用户或视觉设计师来说，i1 并不值得专门去部署，现有的成熟商业工具和更大体积的开放权重模型体验更好。

但对于高校实验室、独立研究者以及打算自建图像生成技术栈的团队来说，i1 是近几年少有的教科书级资源。它彻底终结了文本到图像模型训练中的许多「黑盒炼丹」传言，让从零清洗数据、配比样本到训练模型的全流程完全透明。

我们认为，i1 的核心价值在于重新定义了开源的基准线。它证明了仅靠公开数据集和严谨的实验设计，也能训练出具备实用竞争力的现代模型，为学术界后续的可复现研究补上了最关键的一块拼图。