SupraLabs 发布紧凑型 text-to-image 模型 Supra2-IMG

HuggingFace 上发布了模型 SupraLabs/Supra2-IMG —— 一个用于根据文本描述生成图像的 diffusion transformer。作者称其极小：约 1 亿参数，从零开始在合成数据上训练，输出分辨率为 256x256。

这意味着什么

最大的权重文件 model_final_ema.pt 占用 0.4 GB，明显小于典型的 text-to-image 模型。apache-2.0 许可证允许自由使用和修改。模型通过 transformers 启动，权重以 pt 格式发布。架构为 diffusion transformer，搭配冻结的 Flan-T5-Base 编码器和 Stability AI 的 VAE。开发者未指明具体的显存要求，但在 104 百万参数和 0.4 GB 权重文件的情况下，该模型应当能装入按现代标准而言相当有限的 VRAM 容量中。 该模型在 FLUX-Reason-6M 数据集的 560 万张图像上训练了 10 个 epoch，使用单张 H100。对于寻找轻量级 text-to-image 工具以便在自己的硬件上做实验的人来说，这是 diffusion transformer 中最紧凑的选项之一。可以在AI 工具动态中关注此类模型的出现。