/ Модель

Характеристики

Контекст
16 384 токена
Параметры
6,5 млрд
Размер весов
14,8 ГБ
Лицензия
Apache 2.0
Архитектура
multi_modality · dense
Базовая модель
Janus-Pro-7B
Библиотека
transformers
Опубликована
23 мая 2025

T2I-R1

Генерация изображенийТекст → изображение3 профессии

T2I-R1 — дообученная мультимодальная модель DeepSeek Janus-Pro-7B для генерации изображений по текстовым запросам с двухуровневым рассуждением.

26скачиваний за 30 дней5лайковвеса обновлены3 июл 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

T2I-R1 — модель генерации изображений по текстовому описанию, разработанная авторами исследования «T2I-R1: Reinforcing Image Generation with Collaborative Semantic-level and Token-level CoT». Это дообученная версия мультимодальной DeepSeek Janus-Pro-7B с 6,5 млрд параметров, опубликованная в формате safetensors и предназначенная для запуска через Transformers. Для генерации модель использует двухуровневое рассуждение: семантическое планирование содержания запроса и пошаговую обработку токенов изображения. Обучение с подкреплением BiCoT-GRPO совместно оптимизирует эти этапы с помощью набора наград.

Модель предназначена для преобразования текстовых запросов в изображения. Авторы сообщают об улучшении результатов относительно базовой Janus-Pro на 13% на T2I-CompBench и на 19% на WISE; README также утверждает, что модель превосходит FLUX.1 на этих тестах. Контекст составляет 16 384 токена. Для использования требуется подготовить репозиторий по инструкциям проекта и запустить скрипт инференса. Лицензия — Apache-2.0.

Сценарии применения

  • создание изображений по текстовым описаниям
  • генерация сцен со сложными взаимосвязями объектов
  • визуализация подробных запросов с планированием содержания
  • эксперименты с рассуждением и обучением с подкреплением для генерации изображений

Ограничения

README не сообщает ограничений по качеству или условиям применения сверх указанной лицензии. Результаты на бенчмарках приведены авторами модели; независимая проверка этих сравнений не описана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🌟🔥 T2I-R1: Reinforcing Image Generation with Collaborative Semantic-level and Token-level CoT

Official checkpoint for the paper "T2I-R1: Reinforcing Image Generation with Collaborative Semantic-level and Token-level CoT".

Abstract

Recent advancements in large language models have demonstrated how chain-of-thought (CoT) and reinforcement learning (RL) can improve performance. However, applying such reasoning strategies to the visual generation domain remains largely unexplored. In this paper, we present T2I-R1, a novel reasoning-enhanced text-to-image generation model, powered by RL with a bi-level CoT reasoning process. Specifically, we identify two levels of CoT that can be utilized to enhance different stages of generation: (1) the semantic-level CoT for high-level planning of the prompt and (2) the token-level CoT for low-level pixel processing during patch-by-patch generation. To better coordinate these two levels of CoT, we introduce BiCoT-GRPO with an ensemble of generation rewards, which seamlessly optimizes both generation CoTs within the same training step. By applying our reasoning strategies to the baseline model, Janus-Pro, we achieve superior performance with 13% improvement on T2I-CompBench and 19% improvement on the WISE benchmark, even surpassing the state-of-the-art model FLUX.1. Code is available at: this https URL

Code: https://github.com/CaraJ7/T2I-R1

Usage

Please refer to the instructions in GitHub to set up the repository first then run the inference script below.

cd t2i-r1/src/infer
python reason_inference.py \
--model_path YOUR_MODEL_CKPT \
--data_path test_data.txt

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Базовая модель deepseek-ai/Janus-Pro-7B выложена не в формате diffusers, адаптер не к чему подключить.

Класс архитектуры
MultiModalityCausalLM
Ревизия весов
8403a96

0 моделей