HiDream-O1-Image, presentado por el equipo HiDream.ai el 8 de mayo de 2026, es un modelo fundacional open source para generación y edición de imágenes. Su arquitectura de 8.000 millones de parámetros adopta un Pixel-level Unified Transformer (UiT) que procesa texto y píxeles en un espacio compartido de tokens. Mediante razonamiento in-context, recibe texto e imagen como un contexto unificado para crear y transformar imágenes. Los modelos tradicionales combinan un VAE externo y un codificador de texto independiente, lo que puede acumular pérdidas y errores entre módulos. HiDream-O1-Image aprende representaciones conjuntas dentro de un único transformador, reduce la fragmentación, sigue instrucciones de layout complejas y mejora la representación de texto. Se distribuye bajo licencia MIT para uso comercial y ajuste fino local. En visualización académica y diseño biológico, un agente de prompts basado en razonamiento puede optimizar diagramas de redes génicas o señalización celular, conservando la disposición y la ortografía técnica. Puede generar infografías de 2048×2048 con etiquetas como «Ribosome mRNA translation process» y permite edición interactiva con modelos cuantizados en GPU de consumo de unos 10 GB de VRAM. Las imágenes deben revisarse por exactitud científica.

Modelo fundacional open source de HiDream.ai para generar y editar imágenes con un transformador unificado a nivel de píxel.

Aplicación práctica: HiDream-O1-Image, presentado por el equipo HiDream.ai el 8 de mayo de 2026, es un modelo fundacional open source para generación y edición de imágenes. Su arquitectura de 8.000 millones de parámetros adopta un Pixel-level Unified Transformer (UiT) que procesa texto y píxeles en un espacio compartido de tokens. Mediante razonamiento in-context, recibe texto e imagen como un contexto unificado para crear y transformar imágenes. Los modelos tradicionales combinan un VAE externo y un codificador de texto independiente, lo que puede acumular pérdidas y errores entre módulos. HiDream-O1-Image aprende representaciones conjuntas dentro de un único transformador, reduce la fragmentación, sigue instrucciones de layout complejas y mejora la representación de texto. Se distribuye bajo licencia MIT para uso comercial y ajuste fino local. En visualización académica y diseño biológico, un agente de prompts basado en razonamiento puede optimizar diagramas de redes génicas o señalización celular, conservando la disposición y la ortografía técnica. Puede generar infografías de 2048×2048 con etiquetas como «Ribosome mRNA translation process» y permite edición interactiva con modelos cuantizados en GPU de consumo de unos 10 GB de VRAM. Las imágenes deben revisarse por exactitud científica.