Компактная латентная диффузионная UNet для экспериментальной генерации изображений 256×256 по текстовому описанию.
14скачиваний за 30 дней0лайковвеса обновлены21 июн 2026
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
NanoDiffusion-46M — модель генерации изображений по текстовому описанию, разработанная FlameF0X. Это примерно 46-миллионная UNet, обученная с нуля для диффузионной генерации в латентном пространстве; для преобразования между изображениями и латентами используется замороженный VAE из runwayml/stable-diffusion-v1-5, а для текстового кондиционирования — замороженный CLIP ViT-L/14 из той же модели. Архитектура UNet использует 128 базовых каналов, множители каналов (1, 2, 3, 4), по два остаточных блока на уровень и cross-attention на латентном разрешении 8.
Модель обучалась на наборе BitTranslate/Bittensor_subnet_19_06_04_24 в течение 500 шагов. Указан размер генерации 256 пикселей с латентным представлением 32×32. Она предназначена для экспериментальной генерации изображений по текстовым запросам; короткое обучение ограничивает ожидания от качества и разнообразия результатов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0.
Сценарии применения
создание изображений по текстовому запросу
эксперименты с компактными диффузионными моделями
изучение латентной генерации изображений на основе UNet
тестирование текстового кондиционирования через CLIP
Ограничения
Модель обучалась всего 500 шагов, поэтому качество и разнообразие генерации могут быть ограниченными. Разрешение, указанное в карточке, составляет 256 пикселей.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель