文生图模型领域一直存在一个尴尬的悖论：模型越做越强，却越来越"说不清自己为什么强"。8月23日，普林斯顿大学刘壮团队用一项名为i1的研究回应了这个行业痛点。i1是一个参数量仅3B的全开放文生图模型，其训练代码、训练数据、模型权重全部公开，任何人都可以完整复现。团队为此开展了300多组控制实验，累计消耗超过70万TPU v6e小时，系统拆解了文生图扩散模型中模型架构与数据配方的真实影响。在GenEval、DPG-Bench、PRISM-Bench、CVTG-2K和LongText-Bench五项主流基准上，i1平均领先此前最好的全公开模型29.5个百分点，综合表现已接近部分参数量更大、仅开放权重的模型，例如20B参数的Qwen-Image。这套"从训练到推理完全透明"的配方，为文生图研究提供了一块难得的公共基石。
过去两年，文生图模型的进步速度惊人，但大多数工作存在一个通病：每篇论文都独立引入一整套模型、数据和训练设计，然后用私有数据训练出一个亮眼模型。由于缺少充分的消融实验、可复现的训练配方和可复用的数据配方，研究者很难判断优异表现究竟来源于哪里，是更优质的训练数据，还是某个特定的模型或训练设计。这种"黑盒式"的发布模式，让后来者难以在统一起点上做拓展实验，整个领域的技术积累效率被大大拖累。
i1项目的出发点，正是要打破这种局面。刘壮团队以"全开放配方"为核心目标，把研究过程拆解得明明白白：300多组控制实验逐一对比不同模型结构、数据配比、训练策略的影响，70余万TPU小时的算力投入让每个结论都有充分的实验支撑。最终产出的i1模型，连同其数据管线、训练配置一起公开，研究者可以在完全相同的条件下复现结果，也可以基于这套配方做任意方向的扩展和控制消融实验。这种"把实验条件摊开给全世界看"的做法，正是i1被称为"文生图领域公共基石"的原因。
对工业界而言，可复现配方的价值同样不可忽视。企业训练文生图模型时，最怕的是"知其然不知其所以然"：花了大价钱训练，效果不理想却找不到原因。i1提供的完整实验记录与配方，相当于一份经过验证的"标准答案"，企业可以对照它排查自身训练管线中的问题，也可以直接以此为起点做垂直场景优化，大大降低试错成本。
i1背后的工程投入堪称奢侈。刘壮团队围绕模型设计与数据设计两个维度，系统开展了300多组对照实验，累计消耗超过70万TPU v6e小时，这相当于数百张顶级加速卡持续运行数月。实验覆盖了扩散模型架构的关键变量，包括去噪网络结构、条件注入方式、采样策略、数据清洗标准、文本编码器选择等，每一组实验都严格隔离变量，确保结论可归因。这种"控制变量式"的科研方法，在追求速度和规模的AI行业里显得格外扎实，也为i1配方的可信度奠定了基础。
在数据配方上，团队也给出了可操作的经验。通过对比实验，他们确定了训练数据中文本描述的质量权重、图像分辨率分布与多样性配比，这些此前多依赖直觉调参的环节，第一次有了可量化的结论。对于资源有限的团队，这些结论可以直接转化为数据管线配置，省去大量重复实验。
实验结论最终凝聚成一个3B参数的紧凑模型。与动辄数十亿、上百亿参数的同行相比，i1的参数量并不起眼，却在五项主流基准上平均领先此前最好的全公开模型29.5个百分点。在关注提示词遵循和文字渲染能力的自动评测中，i1的综合表现甚至接近20B参数的Qwen-Image，说明模型的性能瓶颈并不总在参数量，数据质量与训练设计的优化空间远比想象中大。对于资源有限的科研团队和中小开发者而言，i1验证了一条重要路径：用更小的模型、更聪明的配方，也能逼近大模型的生成质量。
i1的发布对文生图开源生态的意义，不止于一个模型的性能数字。它提供了一份"教科书级"的研究范式：当你拿到一个表现优秀的模型，如何通过系统的消融实验找到真正的贡献因子，如何把成功经验抽象成可迁移的通用配方。这种透明化的研究方式，将帮助整个社区从"各家各自摸索"走向"在统一地基上协同推进"，降低重复劳动，加速技术迭代。对工业界而言，i1的开源配方意味着更低成本的模型训练参考，企业可以用它快速搭建自己的文生图能力，再针对垂直场景做定制优化。
从更大的视角看，i1与近期开源社区的一系列动作共同勾勒出文生图领域的趋势：竞争正在从"谁能做出好模型"转向"谁能把好模型的做法讲清楚"。当开源权重模型越来越多，真正的护城河不再是模型本身，而是数据工程、训练方法论和对特定场景的理解。i1用70万TPU小时的实验证明，可复现性本身就是一种生产力。可以期待，随着这类全开放配方的涌现，文生图领域将迎来一轮更健康、更高效的集体进化，而3B小模型逼近大模型的表现，也为端侧部署和低成本应用打开了新的想象空间。