Kolors 是什么：快手可灵团队开源的中英双语文生图模型

它是什么

Kolors 是快手可灵团队在 2024 年 7 月 6 日开源的文生图模型，中文名叫“可图”。一句话说清：它是基于潜在扩散机制的文生图模型，用大语言模型 ChatGLM3-6B 当文本编码器，中文和英文提示词都能直接写。官方说，它在数十亿级的图文对上训练，重点放在画面质感、复杂语义的理解，以及中英文文字渲染上。

和多数文生图模型不同，Kolors 对中文提示词是认真对待的。很多模型的做法是先把中文翻成英文再喂进去，它是从文本编码器这一层就按双语来做。

关键规格

AI主线库里登记的参数量是 3B。官方仓库首页没有单列总参数，所以要提醒一句：负责读提示词的 ChatGLM3-6B 是单独的一块，光名字就带着 60 亿参数。这意味着只按 3B 去估显存会算少，真正跑起来，文本编码器是大头之一。

提示词长度方面，官方说明支持 256 个 token 的上下文，写一段细节丰富的中文描述基本够用，但别指望塞进一整篇小作文。输出是图像，仓库里默认的演示尺寸是 1024×1024。除了文生图，Diffusers 里还有 KolorsImg2ImgPipeline 可做图生图。

技术报告把核心思路归成三条。一是文本编码器用 GLM 系的通用语言模型，而不是 Imagen 和 Stable Diffusion 3 用的 T5，同时用多模态大模型给训练图片重新写描述，提升对多主体复杂语义的理解。二是训练分成两段，先学广泛的概念，再用精选的高审美数据提质量。三是专门研究了噪声调度，给高分辨率生成设计了新的调度方式。

协议要分开看。代码是 Apache-2.0；权重对学术研究完全开放，商用需要填官方问卷发邮件到 kwai-kolors@kuaishou.com 登记。官方说明里写了，上一个自然月所有相关产品月活不超过 3 亿的，登记即视为取得商用授权，超过 3 亿则要另向授权方申请。

能力和成绩

成绩来自官方自建的评测集 KolorsPrompts：1000 多条提示词，覆盖 14 个类别、12 个评测维度，分人评和机评两路。需要先说明，这是厂商自己的测试，对手用的是 2024 年 4 月的产品版本。

人评请了 50 位图像领域的专家，从视觉吸引力、文本忠实度和整体满意度三项打分。整体满意度上，Kolors 是 3.59，Midjourney v6 是 3.58，DALL-E 3 是 3.32，Stable Diffusion 3 是 3.26。视觉吸引力上 Kolors 是 3.99，Midjourney v6 是 3.92。机评用的是 MPS（多维人类偏好分），Kolors 是 10.3，Midjourney v6 是 10.2，Playground-v2.5 是 9.8，DALL-E 3 是 9.0。

另外，官方还提到，在智源 FlagEval 多模态文生图榜单上，Kolors 在 2024 年 7 月 3 日位列第二，其中中英文主观质量一项排第一。这个榜单是第三方机构的，可信度比自测表高一些，不过榜单会随时间更新，这里只代表当时的位置。

怎么用、多少钱

权重在 Hugging Face 和魔搭（ModelScope）都能下载，代码在 GitHub。官方环境要求是 Python 3.8 以上、PyTorch 1.13.1 以上、Transformers 4.26.1 以上，推荐 CUDA 11.7 以上。上手最省事的是 Diffusers 路线，官方给的默认设置是 Euler 调度器、引导系数 5.0、50 步；换 EDM DPM 求解器的话，25 步就是不错的默认值。ComfyUI 也有社区封装，发布三天后就支持了。

硬件门槛可以参考社区的 ComfyUI 封装教程：文本编码器用 FP16 大约要 13GB 显存，量化到 8 位降到 8 到 9GB，量化到 4 位可以压到 4GB 左右；FP16 的模型文件约 16.5GB。这是第三方的经验数字，不是官方规格，实际占用看你的配置。

价格方面，权重本身免费下载。官方仓库没有公布按量计费的 API 价格，所以这里不报数字；如果走第三方托管，以对方的定价页为准。

和谁比

Kolors 没有上一代，它就是这个系列的起点，值得比的是同期对手。和 Midjourney v6、DALL-E 3 这类闭源产品比，最大的差别是可以下载到本地、挂 LoRA 和 ControlNet，不用受平台排队和内容规则的限制，代价是自己得有显卡。和 Stable Diffusion 3 比，官方表里 Kolors 的整体满意度和视觉吸引力更高，但文本忠实度这一项，Kolors 是 4.17，SD3 是 4.20，DALL-E 3 是 4.22，Midjourney v6 是 4.18，数字上略低一点，可见“画得好看”和“严格照提示词画”不是一回事。

和 SDXL 的关系也值得说一句：Hugging Face 上它标的是 StableDiffusionXLPipeline，社区通常把它看成 SDXL 风格的结构，差别主要在文本编码器换成了 ChatGLM3-6B，所以老 SDXL 的玩法迁移起来不算陌生，但 LoRA 和插件要用专门为 Kolors 训练的版本。

适合谁

做内容的，尤其是需要中文场景、中式元素、画面里要出现中文字的，可以试试，官方展示的重点就是这几类。搞选型的，要先过协议这一关：商用得登记，别默认“开源=随便商用”。写代码折腾的，它的周边相当齐，官方陆续放出了 IP-Adapter-Plus、Canny 和 Depth 控制、局部重绘、FaceID-Plus、Dreambooth-LoRA 训练代码和 Pose 控制，从 2024 年 7 月到 8 月就补齐了。

要留意的坑有两个。第一，评测是官方自测，且停在 2024 年 4 月的对手版本；第二，它发布于 2024 年年中，之后文生图领域又出了不少新模型，选型时别只盯着这张表。AI主线的看法是：如果你要的是一个中文提示词能直接上手、又能在自己机器上折腾的开源底模，Kolors 仍然值得放进候选名单。