ERNIE-Image Full で 12カ国の料理を描かせて見えたもの

本記事は AI が描く各国料理 — 8モデル × 12カ国で比較してみたのスピンオフ、各モデル単独レビューの v7。

母艦記事では 8モデル × 12カ国 = 96 国別評価セルの全体俯瞰を扱う。本記事はその中の ERNIE-Image Full だけを 60 プロンプト全部について Gemini 2.5 Pro Vision で評価した詳細を載せる。

TL;DR

ERNIE-Image Full は ERNIE-Image の非蒸留版 8B。50-step で生成は遅い (約 45 分/枚) が、蒸留版の Turbo を上回る。
60 プロンプト (12カ国 × 5料理) を生成、Gemini API 出力を 現地正解基準として比較評価
文化的再現度 (cultural_accuracy): 平均 1.33 / 3.0
観光客目線の見栄え (visual_appeal): 平均 4.47 / 5.0
失敗型の主成分: 複数の失敗型が複合 (mixed 22件)
強い国: Japan
弱い国: Nigeria
推奨用途: ERNIE 系でクオリティ優先するなら
避けたい用途: 速度が要る用途 (45 分/枚は実用上かなり重い)

1. 生成環境

項目	値
アーキテクチャ	DiT (ERNIE-Image, Baidu)
サイズ	8B DiT (30 GB)
ステップ数	50
蒸留	❌ (ベース版)
1枚あたり生成時間 (M1 Max 64GB / MPS)	約 45 分 (50 step / 1024px / MPS)
HF gated repo	❌ 申請不要
ライセンス	open weights

from diffusers import ErnieImagePipeline
import torch

pipe = ErnieImagePipeline.from_pretrained(
    "baidu/ERNIE-Image",
    torch_dtype=torch.bfloat16,
).to("mps")

image = pipe(prompt="...", num_inference_steps=50,
             height=1024, width=1024).images[0]

wired_limit: Mac で MPS バックエンドを使い大型モデルを動かす場合、sudo sysctl iogpu.wired_limit_mb=61440 (60GB) を毎回設定する (再起動でリセット)。

2. 12カ国比較グリッド

参考画像 (最上段、緑帯) が Gemini API、その下が ERNIE-Image Full + 他 6 ローカルモデル。本記事の対象は ERNIE-Image Full 行。クリックで原寸表示。

母艦記事の結果マトリックスで、このモデルが全体のどこに位置するかを確認できる。

3. 国別の挙動 (Gemini 2.5 Pro Vision 評価ベース)

3.1 強い国 (cultural_accuracy 平均 ≥ 2.0)

Japan — CA 2.40 (aabbb)

3.2 中庸の国 (1.0 ≤ ca < 2.0)

Germany — CA 1.60 (bbbcc)
USA — CA 1.40 (bbccc)
Mexico — CA 1.40 (bbccc)
Korea — CA 1.40 (bbccc)
Thailand — CA 1.40 (bbccc)
Italy — CA 1.20 (bbccd)
Vietnam — CA 1.20 (bbccd)
Lebanon — CA 1.20 (bcccc)
Brazil — CA 1.00 (ccccc)
India — CA 1.00 (ccccc)

3.3 弱い国 (ca < 1.0)

Nigeria — CA 0.80 (ccccd)

4. 失敗型の特徴

このモデルの 60 件評価で観察された失敗型の分布：

型	件数	特徴
α 異文化 garnish ライブラリ混入	17	異文化のハーブ・ソース・食器を混入
β 視覚類似カテゴリ引き寄せ	15	視覚的に似た別カテゴリへ統計的に引き寄せ
γ 整列癖 (パレイドリア)	1	要素が幾何学的に整いすぎる
mixed 複合	22	複数の失敗型が複合
none 大きな失敗なし	5	—

代表的な失敗事例

Vietnam / banh xeo (d/4, beta) — 「バインセオの特徴である「大きなクレープ」という形状を完全に失い、揚げ餃子という全く別のジャンルの料理に変化してしまっているため。」