/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
sana
Опубликована
18 мар 2025

SANA1.5_1.6B_1024px_diffusers

Генерация изображенийТекст → изображение

SANA-1.5 — модель NVIDIA и Sana для генерации и изменения изображений по текстовым запросам с разрешением около 1024 пикселей.

0скачиваний за 30 дней13лайковвеса обновлены31 июл 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображения» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

SANA-1.5 — разработанная NVIDIA и Sana модель генерации изображений по тексту на основе Linear Diffusion Transformer. Эта версия содержит 1,6 млрд параметров, использует точность BF16 и рассчитана на изображения с размером около 1024 пикселей по длинной стороне и различными соотношениями высоты и ширины. Для кодирования текста используется предварительно обученный Gemma2-2B-IT, а изображения представляются с помощью DC-AE со сжатием латентных признаков в 32 раза.

Модель предназначена для генерации и изменения изображений по текстовым запросам, в том числе для художественных и дизайнерских задач, творческих инструментов и исследований генеративных моделей. В README описаны масштабирование обучения и инференса и результаты на GenEval и DPGBench. Модель распространяется по Apache License 2.0; в README также перечислены дополнительные условия Gemma для текстового энкодера.

Сценарии применения

  • создание иллюстраций по текстовому описанию
  • подготовка изображений для дизайна
  • генерация визуальных материалов для творческих инструментов
  • исследование диффузионных моделей
  • изменение изображений по текстовому запросу

Ограничения

Модель не обеспечивает идеальный фотореализм, может плохо воспроизводить сложный читаемый текст и детали вроде пальцев; автоэнкодер вносит потери. Она не обучалась для достоверного изображения реальных людей или событий и может воспроизводить социальные предубеждения.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🐱 Sana Model Card

Model

We introduce SANA-1.5,an efficient model with scaling of training-time and inference time techniques. SANA-1.5 delivers: efficient model growth from 1.6B Sana-1.0 model to 4.8B, achieving similar or better performance than training from scratch and saving 60% training cost; efficient model depth pruning, slimming any model size as you want; powerful VLM selection based inference scaling, smaller model+inference scaling > larger model; Top-notch GenEval & DPGBench results. Detailed results are shown in the below table.

Source code is available at https://github.com/NVlabs/Sana.

Model Description

Model Sources

For research purposes, we recommend our generative-models Github repository (https://github.com/NVlabs/Sana), which is more suitable for both training and inference and for which most advanced diffusion sampler like Flow-DPM-Solver is integrated. MIT Han-Lab provides free Sana inference.

🧨 Diffusers

Under construction PR

import torch
from diffusers import SanaPipeline

pipe = SanaPipeline.from_pretrained(
    "Efficient-Large-Model/SANA1.5_1.6B_1024px_diffusers",
    torch_dtype=torch.bfloat16,
)
pipe.to("cuda")

pipe.text_encoder.to(torch.bfloat16)

# pipe.enable_model_cpu_offload()

prompt = 'Self-portrait oil painting, a beautiful cyborg with golden hair, 8k'
image = pipe(
    prompt=prompt,
    height=1024,
    width=1024,
    guidance_scale=4.5,
    num_inference_steps=20,
)[0]

image[0].save(f"sana1.5.png")

Uses

Direct Use

The model is intended for research purposes only. Possible research areas and tasks include

  • Generation of artworks and use in design and other artistic processes.

  • Applications in educational or creative tools.

  • Research on generative models.

  • Safe deployment of models which have the potential to generate harmful content.

  • Probing and understanding the limitations and biases of generative models.

Excluded uses are described below.

Out-of-Scope Use

The model was not trained to be factual or true representations of people or events, and therefore using the model to generate such content is out-of-scope for the abilities of this model.

Limitations and Bias

Limitations

  • The model does not achieve perfect photorealism
  • The model cannot render complex legible text
  • fingers, .etc in general may not be generated properly.
  • The autoencoding part of the model is lossy.

Bias

While the capabilities of image generation models are impressive, they can also reinforce or exacerbate social biases.

Как запустить

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

GPU в ailist

Универсальный рантайм · sana

Можно запустить

Подбираем GPU…

Ревизия весов
b77948f

0 моделей