最佳开源图像和视频生成模型

大多数开放的图像和视频模型现在一张消费级 GPU 就能运行,不过最大的几个需要工作站级内存,而许可证与质量同样重要:好几个最好的模型只对个人免费、只对营收低于上限的公司免费,或者只能在特定地区之外使用。内存数字已包含这些流水线所需的文本编码器和解码器。

  • 榜单更新于 2026年11月11日
  1. FLUX 3 Image Klein

    Black Forest Labs 的 5.6B 模型,可生成和编辑图像,并合并最多 10 张参考图。INT8 版本在 8 GB 显存中即可运行。年营收低于 500 万美元才可免费商用,下载需要授权。

    • Black Forest Labs
    • 5.6B
    • FLUX Kommunity (附条件)
    • 约 8 GB 起
  2. Qwen-Image-2.1

    阿里的 7B 模型,可生成和编辑图像,并能根据最多 10 张参考图输出真正的透明 PNG。许可证仅限研究,商用需要另行授权。

    • Alibaba Qwen
    • 7.1B
    • Qwen Research License (非商用)
    • 约 20 GB 起
  3. Z-Image

    阿里通义的 6B、Apache 2.0 图像模型。Turbo 只需 8 步,在 16 GB GPU 上画出含中英文文字的写实图像,基础模型更适合作为微调的起点。截至 2026 年 11 月 11 日的 30 天内,Turbo 约有 74.3 万次下载。

    • Tongyi MAI
    • 6.15B
    • Apache 2.0 (宽松)
    • 约 16 GB 起
  4. Krea 2

    Krea 从零训练的 12.8B 模型,分为用于微调的 Raw 基础版和 8 步的 Turbo。整套流水线约 36 GB,下载需要授权,年营收低于 100 万美元才可免费商用。截至 2026 年 11 月 11 日的 30 天内,Raw 约有 10.8 万次下载。

    • Krea
    • 12.8B
    • Krea 2 Community (附条件)
    • 约 41 GB 起
  5. MOSS-Image

    OpenMOSS 的 5B、Apache 2.0 图像模型,能画出大段中英文文字并遵循 JSON 版面。低内存档位的 GPU 显存峰值约 4 GB,但需要约 14 GB 系统内存;带文本编码器的仓库共 27.2 GB。

    • OpenMOSS
    • 5.08B
    • Apache 2.0 (宽松)
    • 约 4.2 GB 起
  6. FIBO 2.0

    Bria 的 8B 模型,根据结构化 JSON 提示词生成和编辑图像,Bria 称只用授权数据训练。权重是 CC BY-NC 4.0,商用需要与 Bria 签订协议,整套流水线约 25.5 GB。

    • Bria AI
    • 8.13B
    • CC BY-NC (非商用)
    • 约 29 GB 起
  7. Ideogram 4

    Ideogram 的首个开放权重模型:9.3B 参数,用结构化 JSON 描述训练,Ideogram 自己的对比称其文字渲染超过 Qwen-Image 和 FLUX.2 [dev]。许可证仅限非商业使用,下载需要授权。fp8 仓库约 27.5 GB,16.1 GB 的 nf4 版本需要 NVIDIA GPU。

    • Ideogram
    • 9.3B
    • Ideogram Non-Commercial (非商用)
    • 约 19 GB 起
  8. HiDream-O1-Image

    HiDream 的 8B 模型采用 MIT 许可证,不再使用常规的自编码器和文本编码器,同一个网络完成文生图、指令编辑和多参考图场景,最高 2,048 × 2,048。权重以 FP32 存储,每个仓库约 35.2 GB,需要 CUDA GPU。

    • HiDream.ai
    • 8.8B
    • MIT (宽松)
    • 约 20 GB 起
  9. Ming-Image 0.1 Design

    inclusionAI 的一对 6B 模型,采用 MIT 许可证:一个生成文字密集的设计稿、界面和信息图,可输出透明 RGBA,另一个把平面设计图拆成可编辑的图层。README 称一块 80 GiB 的 GPU 是验证过的最低配置。

    • inclusionAI (Ant Group)
    • 6.2B
    • MIT (宽松)
    • 约 80 GB 起
  10. Anima

    CircleStone Labs 与 Comfy Org 合作的 2B 动漫和插画模型,Turbo 版本只需 8 到 12 步。权重仅限非商业使用,但你生成的图片可以出售。

    • CircleStone Labs
    • 2.09B
    • CircleStone Non-Commercial (非商用)
    • 约 6.44 GB 起
  11. MiniMax H3-Image

    MiniMax 的 33B 图像模型,六步生成 1600 万像素的图片,编辑时最多可用 16 张参考图。据我们估算它需要约 155 GB 内存,许可证排除了欧盟、英国、韩国和美国。

    • MiniMax
    • 33.1B
    • MiniMax H3-Image Community (附条件)
    • 约 155 GB 起
  12. P-H3-Image

    Pruna 从 MiniMax-H3 蒸馏出的 8 步图像生成和编辑模型。ComfyUI 的 4 位套件下载 20 GB,8 MP 时峰值显存约 21 GB,编辑时最多可用 8 张参考图。它沿用 H3 的许可证,排除欧盟、英国、韩国和美国;Pruna 只给出速度数字,没有质量分数。

    • Pruna AI
    • 33.1B
    • MiniMax H3 Community (附条件)
    • 约 21 GB 起
  13. SenseNova-U1.5

    商汤采用 Apache 2.0 的原生统一模型,最高可生成 4K 图像,支持多参考图编辑,还能回答关于图片的问题,没有单独的图像编码器和 VAE。在 SenseNova 自己的表格里,它的 GenEval 得 0.92,英文和中文长文本渲染分别得 0.988 和 0.989。24 GB 显卡配合层卸载即可运行。

    • SenseTime
    • 17.5B
    • Apache 2.0 (宽松)
    • 约 24 GB 起
  14. LTX-2.5

    LTX 的 22B 模型可同时生成视频和同步音频,原生支持多镜头场景。蒸馏的 INT8 版本约 16 GB 即可运行。许可证仅在年营收低于 1000 万美元时免费。

    • LTX (Lightricks)
    • 22B
    • LTX-2.x Community (附条件)
    • 约 16 GB 起
  15. Wan 2.2

    阿里的 Apache 2.0 视频模型家族:用于文生视频和图生视频的双专家 27B 模型约需 80 GB,另有可在 24 GB GPU 上运行的 5B 模型。

    • Alibaba Wan
    • 27B (激活 14B)
    • Apache 2.0 (宽松)
    • 约 24 GB 起
  16. Kandinsky 6.0 Video

    Kandinsky Lab 的 MIT 许可证视频模型家族:3B 的 Lite 和 29B 的 Pro,生成带同步 44 kHz 音频和口型同步的 5 秒片段。README 给出的 RTX 4090 耗时是蒸馏版 Lite 68 秒、Pro 235 秒,50 步的 Pro 则要 955 秒。

    • Kandinsky Lab
    • 29B
    • MIT (宽松)
    • 约 16 GB 起
  17. Cosmos 3

    NVIDIA 面向机器人和自动驾驶的开放世界模型,有 4B、16B 和 64B 三种尺寸:能生成视频、图像和动作,也能回答关于视频的问题。OpenMDW-1.1 允许商用,据我们估算,4B 的 Edge 约需 11 GB,64B 的 Super 约需 153 GB。

    • NVIDIA
    • 64.6B
    • OpenMDW-1.1 (宽松)
    • 约 11 GB 起
  18. Hy-Nomas

    腾讯的 Apache 2.0 交互式世界模型:根据文字指令和镜头路径一段一段地接着生成视频世界,用缓存保留之前的片段。它用 8 步输出 720 乘 1280、每秒 24 帧的视频。默认配置需要八张 GPU,另有一套靠卸载实现的配置面向单张 RTX 4090。

    • Tencent
    • 8.55B
    • Apache 2.0 (宽松)
    • 约 24 GB 起
  19. Pika H3 Flex

    Pika 对 MiniMax H3 做的六步后训练版本,可根据文字、帧或最多 12 个参考生成带立体声的视频。它需要约 147 GB 的 H3 基础文件,沿用 H3 的地区限制,Pika 的 4K 和独立音轨功能只在托管服务中提供。

    • Pika
    • 33.1B
    • MiniMax H3 Community (附条件)
    • 约 169 GB 起
  20. HyperFlow H3 Flash

    Video Rebirth 压缩的 MiniMax H3:13.7B 参数,4 到 8 步生成带立体声的视频,INT8 文件约 16 GB,9.1 GB 的 GGUF 可在 24 GB 显卡上运行。它仍需要 H3 的配套文件,沿用 H3 的地区限制;Video Rebirth 只给出速度数字,没有质量分数。

    • Video Rebirth
    • 13.9B
    • MiniMax H3 Community (附条件)
    • 约 18 GB 起
  21. MiniMax H3

    MiniMax 的 33B 视频模型,一次生成视频和立体声,最长 15 秒。据我们估算它需要约 166 GB 内存,许可证排除了欧盟、英国、韩国和美国。

    • MiniMax
    • 33.1B
    • MiniMax H3 Community (附条件)
    • 约 166 GB 起

我们如何筛选

  • 开放权重的图像或视频生成模型,并且我们完整阅读过其许可证。
  • 内存数字取开发者声明的最低要求或已发布的实测值;没有时取下载大小再加约 15%。
  • 质量方面的说法来自开发者,尚未经过独立验证。