百度文心大模型团队最新推出的 ERNIE-Image，是一款基于 DiT 架构的 8B 文生图模型。它不仅强调通用图像生成能力，更在复杂指令遵循、精准文字渲染、结构化生成和多风格表达方面展现出很强的潜力；同时，消费级 GPU 即可完成部署，这让它天然具备较高的开发者价值。

现在，OpenVINO™ 已正式实现对 ERNIE-Image 的 Day 0 支持。这意味着开发者可以在模型发布后的第一时间，将 ERNIE-Image 更方便地跑在 Intel CPU 和 GPU 上，快速完成从模型导出、推理验证到应用落地的全流程实践。借助 OpenVINO™，ERNIE-Image 现已支持导出为FP16 / INT8 / INT4 格式的 OpenVINO™ IR，并通过 OVErnieImagePipeline 直接进行推理与验证，进一步降低了新模型部署和优化的门槛。与此同时，OpenVINO™ 也已同步支持 ERNIE-Image-Turbo，进一步覆盖了更快生成、轻量化部署的需求场景，为开发者在效果与速度之间提供了更灵活的选择。这样一来，无论是追求更强生成质量的标准版，还是更强调响应速度和部署效率的 Turbo 版本，开发者都可以在 Intel 平台上第一时间开展测试和落地实践。

接下来，我们来看看具体怎么把模型通过OpenVINO™优化以及部署起来。

第一步： 克隆仓库并创建虚拟环境

git clone https://github.com/openvino-dev-samples/optimum-intel.gitcd optimum-intelgit checkout ernie-imagegit checkout 6a55b811e51bf0dd2e09dc9f4f826c99704cf457 Python -m venv py_envpy_env\Scripts\activate # Linux: source py_env/bin/activate

第二步：安装依赖

pip install "git+https://github.com/huggingface/optimum.git@ec676fd4e0b1440e91549e7a1aa82e0de85e79b5"pip install "git+https://github.com/huggingface/diffusers.git@6a339ce637db184c2e1a10ec90ac0e292beb76ac"pip install transformers==4.57.6pip install openvino==2026.1.0pip install openvino-tokenizers==2026.1.0.0pip install nncf==3.0.0pip install torch==2.10.0 --index-url https://download.pytorch.org/whl/cpupip install -e ".[openvino,nncf,diffusers]"

第三步：准备原始模型

拿到原始 PyTorch 权重后，目录应类似如下：

ERNIE-Image/├── model_index.json├── scheduler/├── text_encoder/├── tokenizer/├── transformer/└── vae/

第四步：将模型导出为 OpenVINO™ IR格式，并进行量化压缩

可以采用如下命令，导出FP16精度的模型：

optimum-cli export openvino \  --model /path/to/ERNIE-Image-Turbo \  --task text-to-image \  --weight-format fp16 \  ./ernie_image_turbo_fp16

可以采用如下命令，导出INT4精度的经过量化压缩后的模型：

optimum-cli export openvino \  --model /path/to/ERNIE-Image \  --task text-to-image \  --weight-format int4 \  ./ernie_image_int4

导出后的 INT4 目录会包含 model_index.json、openvino_config.json、scheduler、tokenizer、text_encoder、transformer、vae_encoder 和 vae_decoder 等组件。

第五步：开始 OpenVINO™ 推理

导出完成后，可以直接用 OVErnieImagePipeline 进行推理：

from optimum.intel import OVErnieImagePipelineimport torch pipe = OVErnieImagePipeline.from_pretrained(    "./ernie_image_int4",    device="CPU",  #或者GPU) generator = torch.Generator("cpu").manual_seed(42) result = pipe(    prompt="a cute cat sitting on a colorful cushion, studio lighting, high quality",    num_inference_steps=20,    height=512,    width=512,    generator=generator,) result.images[0].save("output.png")

几个建议参数也可以顺手记住：

• num_inference_steps：Base模型推荐50，Turbo模型推荐8  

• height / width：建议使用 64 的整数倍  

• guidance_scale：建议不超过 5.0   

• generator：用于复现实验结果。

最终在Intel Core Ultra X7 358H的笔记本电脑的GPU上的运行Turbo模型的效果如下：

效果视频：https://live.csdn.net/v/521777

运行50steps的Base模型量化为INT4精度的OpenVINO™ IR模型的效果如下：

总结

对 Intel 平台开发者来说，这次 OpenVINO™ 对 ERNIE-Image 的 Day 0 支持，意义不只是“多支持了一个新模型”，而是把一个具备复杂指令遵循、文字渲染、结构化生成和多风格表达能力的 8B 文生图模型，第一时间带到了可部署、可验证、可集成的状态。现在，开发者已经可以基于已验证的依赖组合，把原始 PyTorch 权重导出为 FP16 / INT8 / INT4 OpenVINO™ IR，并通过 OpenVINO™在 Intel CPU 和 GPU 路线上更快完成测试与应用验证。

如果你正在关注下一代文生图模型的本地部署，尤其关心复杂 prompt 理解、文字生成、结构化视觉任务这些更接近真实场景的能力，那么 ERNIE-Image 非常值得现在就试，而 OpenVINO 已经把这条路打通了。

如果你正在使用 OpenVINO™ 做生成式 AI 模型部署，或者希望把新的文生图模型更快跑在 Intel CPU / GPU 上，欢迎继续关注 OpenVINO™ 中文社区的后续更新与开发者内容。我们也会继续补充更多实践经验、性能调优和部署示例。

ERNIE-Image 已经来了，OpenVINO™ 也已经把 Day 0 支持准备好了。

现在，就是把它跑起来、验证它、把它接进你自己的应用里的时候。