字节那边放了个图像模型的轻量版出来，参数规模不大，但有一条挺特别：它把实时联网检索接进了生成流程。
大部分人看生图模型只看画质和手指头。但联网这条改变的是另一件事——以前你让它画一个具体的、有事实约束的东西，比如某个型号的机器、某个牌子的包装，它只能靠训练时记住的模糊印象糊一个出来，八成不对。能查了之后，理论上可以先确认长什么样再画。
我说理论上，是因为实际效果取决于它查到什么、以及会不会被搜索结果带偏。查错了画得再精细也是错的。
另外这个系列和他们做视频的那条线经常被搞混，其实是两拨模型，一个出图一个出视频，名字长得像而已。