作者：

顏國進英特爾創(chuàng)新大使

李翊瑋英特爾開發(fā)者技術推廣工程師

1前言

1.1英特爾 酷睿 Ultra 2處理器

全新英特爾酷睿Ultra 200V系列處理器對比上代Meteor Lake，升級了模塊化結構、封裝工藝，采用全新性能核與能效核、英特爾硬件線程調(diào)度器、Xe2微架構銳炫GPU、第四代NPU等，由此也帶來了CPU性能提升18%，GPU性能提升30%，整體功耗降低50%，以及120TOPS平臺AI算力。

酷睿Ultra 200V系列處理器共有9款SKU，包括1款酷睿Ultra 9、4款酷睿Ultra 7以及4款酷睿Ultra 5，全系8核心8線程（4個性能核與4個能效核），具體規(guī)格如下：

作為新一代旗艦，酷睿Ultra 9 288V性能核頻率最高5.1GHz、能效核頻率最高3.7GHz，擁有12MB三級緩存。GPU方面，集成銳炫140V顯卡，擁有8個全新Xe2核心、8個光線追蹤單元，頻率最高2.05GHz，可以實現(xiàn)67TOPSAI算力。而NPU集成6個第四代神經(jīng)計算引擎，AI算力提升至48TOPS。

本文是用KHARAS（深圳市世野科技 https://www.khadas.com/product-page/mind-maker-kit-lnl) 提供基于英特爾酷睿Ultra的AI PC，只有435g, 以下為其參數(shù)：

主要特點

oIntel Core Ultra Processor Series 2

oAI Performance: up to 115 TOPS

oNPU: 4.0 AI Engine, up to 47 TOPS

oGPU: Intel Arc 140V, up to 64 TOPS

o32GB LPDDR5X Memory, 1TB PCIe SSD

oCopilot+ PC: Windows AI assistant

oBattery Life Optimization

oWiFi+ Bluetooth: AX211D2

處理器信息如下表所示：

1.2OpenVINO GenAI

OpenVINO GenAI 是英特爾推出的生成式 AI 開發(fā)工具庫，基于 OpenVINO 工具套件構建，專注于在英特爾硬件（CPU、GPU、NPU）上高效優(yōu)化和部署生成式模型。其核心能力涵蓋 ?文本生成?、?圖像生成?、?多模態(tài)推理? 等場景，通過硬件加速、模型壓縮和開發(fā)工具鏈集成，顯著提升生成式 AI 的推理性能與部署效率。開發(fā)者可通過 Text2ImagePipeline 工具部署stable-diffusion、Flux.1d等圖像生成模型及變體快速生成高精度圖像，并結合 LoRA 適配器實現(xiàn)風格化定制?。針對大語言模型（如 Mistral-7B、DeepSeek 蒸餾模型），GenAI 提供動態(tài)批處理、INT8 量化和提示詞解碼優(yōu)化，在文檔問答等高相似性場景中減少生成延遲?。此外，其多模態(tài)能力擴展至語音轉錄（Whisper 模型）和視覺語言模型（如 LLaVA），支持端到端跨模態(tài)推理?。

1.3 文生圖模型

文生圖模型是基于深度學習技術實現(xiàn)文本到圖像生成的核心工具，其核心原理是通過自然語言處理與計算機視覺的結合，將文本語義轉化為視覺元素，并利用逆向擴散過程逐步生成高質(zhì)量圖像?。這類模型主要采用?擴散模型框架?，通過前向加噪與逆向去噪的迭代過程，將隨機噪聲逐步重構為符合文本描述的圖像，其中UNet網(wǎng)絡承擔著跨模態(tài)特征融合的關鍵角色?23。當前主流模型已廣泛應用于?藝術創(chuàng)作?（如插畫風格化生成）、?工業(yè)設計?（產(chǎn)品原型可視化）及?影視游戲?（場景概念圖生成）等領域，尤其在需要快速原型迭代的場景中展現(xiàn)出顯著優(yōu)勢?。

在具體模型中，?Stable Diffusion?作為開源領域的標桿，基于潛在擴散模型（LDM）構建，其核心創(chuàng)新在于將圖像壓縮至低維潛在空間進行擴散運算，大幅降低計算開銷?23。該模型支持ControlNet插件實現(xiàn)姿態(tài)控制、邊緣引導等精細化生成，并通過LoRA微調(diào)技術快速適配特定藝術風格，例如在生成“卡通小老虎頭像”時可通過調(diào)整提示詞參數(shù)實現(xiàn)毛發(fā)細節(jié)優(yōu)化?13。而?FLUX.1?作為2024年后起之秀，則通過動態(tài)分層量化技術突破硬件限制，在英特爾CPU/GPU上實現(xiàn)了更高分辨率的實時生成（如4096×4096像素級輸出），其獨有的多模態(tài)聯(lián)合訓練框架支持“文本+草圖”混合輸入，特別適用于工業(yè)設計領域的產(chǎn)品外觀迭代?14。

FLUX.1還創(chuàng)新性地引入Yarn風格LoRA適配器，在生成機械結構圖時能自動保持幾何比例精確性，較傳統(tǒng)模型減少30%的后期人工修正工作量?46。這兩大模型分別代表開源生態(tài)與商業(yè)化落地的技術路徑，推動文生圖技術向專業(yè)化、場景化方向持續(xù)演進?。

2模型下載與轉換

2.1環(huán)境配置

模型下載與轉換需要使用的Python環(huán)境，因此此處我們采用Anaconda，然后用下面的命令創(chuàng)建并激活名為optimum_intel的虛擬環(huán)境：

conda create -n optimum_intel python=3.11   #創(chuàng)建虛擬環(huán)境
conda activate optimum_intel   #激活虛擬環(huán)境
python -m pip install --upgrade pip   #升級pip到最新版本

由于Optimum Intel代碼迭代速度很快，所以選用從源代碼安裝的方式，安裝Optimum Intel和其依賴項OpenVINO 與NNCF。

python -m pip install "optimum-intel[openvino,nncf]"@git+https://github.com/huggingface/optimum-intel.git

2.2常規(guī)方式下載與轉換模型

目前OpenVINO GenAI支持了多種圖像生成模型，包括了Latent Consistency Model、Stable Diffusion、Stable Diffusion Inpainting、Flux等系列模型，模型導出和下載方式基本一致，此處以stable-diffusion-v1-5模型為例，演示文生圖模型的下載方式。

此處我們使用Git進行模型下載，目前文生圖這種大模型文件可以在HuggingFace社區(qū)下載，在HuggingFace社區(qū)檢索對應的模型，并獲取模型對應的鏈接，使用Git輸入以下指令：

git clone https://huggingface.co/stable-diffusion-v1-5/stable-diffusion-v1-5

不過對于國內(nèi)的小伙伴可能訪問HuggingFace社區(qū)不方便，不過如果我們要想快速下載模型，可以通過國內(nèi)的魔塔社區(qū)進行下載，下載鏈接如下所示：

git clone https://www.modelscope.cn/AI-ModelScope/stable-diffusion-v1-5.git

將模型保存在本地后，需要使用optimum-intel工具將模型轉換為OpenVINO GenAI格式，此外也可以將模型進行量化，加快模型推理速度，轉換命令如下所示：

optimum-cli export openvino --model ./stable-diffusion-v1-5 –task text-to-image --weight-format int4 --group-size 64 --ratio 1.0 ./stable-diffusion-v1-5-int4

2.3模型快速獲取

但是上面模型獲取和下載方式依舊比較麻煩，并且轉換模型需要更大的內(nèi)存，且在環(huán)境安裝和模型下載時容易出現(xiàn)錯誤，不過此處OpenVINO 官方提供了轉換好的模型，可以直接下載就可以使用，文生圖模型庫鏈接如下所示：

https://huggingface.co/collections/OpenVINO/image-generation-67697d9952fb1eee4a252aa8

此處也可以通過Git進行下載，使用Git下載鏈接如下：

git clone https://huggingface.co/OpenVINO/stable-diffusion-v1-5-int8-ov

同樣地，對于不方便訪問HuggingFace社區(qū)的小伙伴，此處依舊可以使用莫塔社區(qū)進行下載，下載鏈接如下：

git clone https://www.modelscope.cn/OpenVINO/stable-diffusion-v1-5-int8-ov.git

下載后的模型文件為：

3OpenVINO GenAI 安裝與 C++項目配置

OpenVINO GenAI C++項目的安裝與配置與OpenVINO基礎版本完全一致，如果你之前配置過OpenVINO，那么此處可以完全忽略。此外，我們此處使用OpenCV進行圖像數(shù)據(jù)處理和展示，因此此處還需要安裝OpenCV第三方庫，安裝方式大家可以自行百度查找。

首先訪問下面鏈接，進入下載頁面：

https://www.intel.com/content/www/us/en/developer/tools/openvino-toolkit/download.html

然后再下載頁面選擇相應的包以及環(huán)境，然后點擊下載鏈接進行下載，如下圖所示：

文件下載完成后，將其解壓到任意目錄，此處建議解壓到C:Program FilesIntel目錄下，并將文件夾名修改為較為簡潔表述，如下圖所示：

最后在環(huán)境變量PATH中添加以下路徑：

C:Program FilesIntelopenvino_genai_windows_2025.0.0.0_x86_64 untimeinintel64Debug

C:Program FilesIntelopenvino_genai_windows_2025.0.0.0_x86_64 untimeinintel64Release

C:Program FilesIntelopenvino_genai_windows_2025.0.0.0_x86_64 untime3rdparty bbin

至此為止，我們便完成了OpenVINO GenAI 下載與安裝。

C++項目主要是需要配置包含目錄、庫目錄以及附加依賴項，分別在C++項目中依次進行配置就可以：

包含目錄：

# Debug和Release

C:Program Files (x86)Intelopenvino_genai_2024.2 untimeinclude

C:Program Files (x86)Intelopenvino_genai_2024.2 untimeincludeopenvinogenai

C:Program Files (x86)Intelopenvino_genai_2024.2 untimeincludeopenvino

C:Program FilesIntelopencv_4.11.0uildinclude

庫目錄：

# Debug

C:Program Files (x86)Intelopenvino_genai_2024.2 untimelibintel64Debug

C:Program FilesIntelopencv_4.11.0uildx64vc16lib

# Release

C:Program Files (x86)Intelopenvino_genai_2024.2 untimelibintel64Release

C:Program FilesIntelopencv_4.11.0uildx64vc16lib

附加依賴項

# Debug

openvinod.lib

openvino_genaid.lib

opencv_world4110d.lib

# Release

openvino.lib

openvino_genai.lib

opencv_world4110.lib

上面依賴庫路徑只是本機配置路徑，大家在復現(xiàn)的時候可以根據(jù)本機路徑進行配置。由于OpenVINO GenAI已經(jīng)將模型的前后處理流程進行了封裝，因此在使用時代碼十分簡潔。下面是模型推理的核心代碼：

#include "image_generate.h"


int text_generate_image(std::string model_path, std::string device) {
  try {
    std::string prompt;
    ov::genai::Text2ImagePipeline pipe(model_path, device);
    while (1) {
      std::cout << "------------------------" << std::endl << "Please ask:" << std::endl;
 ? ? ? ? ? ?std::getline(std::cin, prompt);
 ? ? ? ? ? ?ov::Tensor image = pipe.generate((prompt),
 ? ? ? ? ? ? ? ?ov::width(1024),
 ? ? ? ? ? ? ? ?ov::height(512),
 ? ? ? ? ? ? ? ?ov::num_inference_steps(4),
 ? ? ? ? ? ? ? ?ov::num_images_per_prompt(1));


 ? ? ? ? ? ?cv::Mat mat = tensor_to_mat(image);
 ? ? ? ? ? ?cv::imshow("image", mat);
 ? ? ? ? ? ?cv::waitKey(0);
 ? ? ? ?}
 ? ? ? ?return EXIT_SUCCESS;
 ? ?}
 ? ?catch (const std::exception& error) {
 ? ? ? ?try {
 ? ? ? ? ? ?std::cerr << error.what() << '
';
 ? ? ? ?}
 ? ? ? ?catch (const std::failure&) {}
 ? ? ? ?return EXIT_FAILURE;
 ? ?}
 ? ?catch (...) {
 ? ? ? ?try {
 ? ? ? ? ? ?std::cerr << "Non-exception object thrown
";
 ? ? ? ?}
 ? ? ? ?catch (const std::failure&) {}
 ? ? ? ?return EXIT_FAILURE;
 ? ?}
}
}

項目全部源碼已經(jīng)上傳到GitHub上，源碼鏈接為：

https://github.com/guojin-yan/OpenVINO-GenAI-Samples/tree/master/src/ImageGenerate

5效果演示

在運行代碼后，我們可以根據(jù)自己的想法進行提問，程序就會調(diào)用模型進行推理實現(xiàn)圖像生成。

6總結

本文詳細介紹了在英特爾 酷睿 Ultra AI PC 上部署多種圖像生成模型，快速實現(xiàn)文生圖功能的全流程。

英特爾酷睿 Ultra 200V 系列處理器憑借全新模塊化結構、封裝工藝以及先進的性能核與能效核、Xe2 微架構銳炫 GPU、第四代 NPU 等技術，帶來了顯著的性能提升。酷睿 Ultra 9 288V 作為旗艦型號，具備強大的多核性能、高頻率的 GPU 以及可觀的 NPU 算力，為圖像生成模型的運行提供了堅實的硬件支撐。OpenVINO GenAI 作為英特爾推出的生成式 AI 開發(fā)工具庫，基于 OpenVINO 工具套件構建，專注于在英特爾硬件上高效優(yōu)化和部署生成式模型。未來我們將基于OpenVINO GenAI C++ API推出C# API，實現(xiàn)在C#平臺部署大模型。