/ Модель

Характеристики

Лицензия
MIT
Базовая модель
Nanosaur2-670M
Библиотека
openvino
Опубликована
26 сен 2026

Nanosaur2-OpenVino

Генерация изображенийТекст → изображение

Конверсия Nanosaur2-670M для OpenVINO генерирует иллюстрации по текстовым запросам.

0скачиваний за 30 дней1лайквеса обновлены26 сен 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

HDiffusion/Nanosaur2-OpenVino — конверсия модели well9472/Nanosaur2-670M для запуска через OpenVINO. Это диффузионный трансформер (DiT) на 670 млн параметров для генерации иллюстраций по текстовому описанию; он использует замороженный текстовый энкодер Gemma3-270M и семантический DINOv2 VAE. Текстовый энкодер принимает до 256 токенов; модель формирует изображения с динамическими высотой и шириной. В README приведён пример генерации изображения 832×1216 за 50 шагов с CFG 4.

Конверсию выполнили из PyTorch-реализации в OpenVINO с помощью torch.export и ov.convert_model; приведены численные сравнения с исходной реализацией. Репозиторий рассчитан на генерацию иллюстраций, в том числе аниме-стиля. Для инференса README указывает companion CLI nanosaur2-openvino. VAE-энкодер для img2img и режимы alternate/path_drop не включены; используется обычный CFG. Лицензия — MIT.

Сценарии применения

  • генерация аниме-иллюстраций по текстовому описанию
  • создание персонажей и сцен по промпту
  • генерация вертикальных иллюстраций с заданными размерами

Ограничения

В репозитории отсутствует VAE-энкодер для img2img, а режимы alternate и path_drop не включены. Текстовый вход дополняется и маскируется до фиксированных 256 токенов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Nanosaur2-670M-OpenVINO

OpenVINO conversion of well9472/Nanosaur2-670M, a 670M-parameter illustration text-to-image diffusion transformer (DiT) with a frozen Gemma3-270M text encoder and a semantic DINOv2 VAE. Converted for Nvidia haters.

sample

832×1216, 50 steps, CFG 4, seed 42 — "newest, masterpiece, 1girl, solo, (fennec ears:1.3), long blonde wavy hair, blue eyes, big fluffy tail, smile, forest, sunlight"

Files

FileContentsPrecision
text_encoder.xml/.binGemma3-270M text encoder (layer −2 + final norm), 256-token inputfp32*
diffusion_model.xml/.bin670M DiT — adaLN-single, 2D RoPE, SPRINT sparse path, x-prediction; dynamic H×Wfp16
vae_decoder.xml/.binSemantic VAE decoder (txt2img decode)fp16
tokenizer.modelGemma3 sentencepiece model (extracted from the original TE checkpoint)—

* Gemma3's residual stream reaches ~1e5 magnitude and overflows fp16 — the same reason ComfyUI runs it in bf16/fp32. It runs once per generation, so fp32 is cheap.

Usage

With the companion inference CLI (nanosaur2-openvino):

python generate.py \
  --models ./Nanosaur2-OpenVino \
  --prompt "newest, masterpiece, 1girl, solo, forest, sunlight" \
  --width 832 --height 1216 --steps 50 --cfg 4 --seed 42 --device GPU

Or with plain OpenVINO (pip install openvino sentencepiece protobuf pillow numpy):

import numpy as np, openvino as ov, sentencepiece as spm

core = ov.Core()
te  = core.compile_model("text_encoder.xml", "GPU")        # inputs: token_ids (2,256) i64, attn_mask (2,256) f32
dit = core.compile_model("diffusion_model.xml", "GPU")     # inputs: x (2,64,H,W) f16, timestep (2,) f16,
                                                           #        context (2,256,640) f16, token_weights (2,256) f16,
                                                           #        rope_cos/rope_sin (H/16*W/16, 48) f16
vae = core.compile_model("vae_decoder.xml", "GPU")         # input: z (1,64,H/16,W/16) f16 -> image in [-1, 1]

Sampling: rectified flow — Euler, simple scheduler, shift 3.0, 50 steps, CFG 4 (the reference ComfyUI settings). See the companion repo for the full sampler.

Conversion notes

  • Reimplemented from the original ComfyUI custom-node code (nanosaur2_support/) as standalone PyTorch, exported via torch.export → ov.convert_model.
  • Numerically validated against the PyTorch reference: TE max-abs 2.6e-3, DiT rel-L2 4.9e-3, VAE rel-L2 2.3e-4.
  • Text is padded/masked to a fixed 256 tokens so one compiled shape serves any prompt.
  • The VAE encoder (img2img) and the alternate/path_drop guidance modes are not included; inference uses plain CFG (cfg mode) on the negative prompt.

License

MIT, inherited from the base model. Conversion produced with nanosaur2-openvino.

Как запустить

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

GPU в ailist

Универсальный рантайм · openvino

Нельзя запустить

Модель выложена для OpenVINO.

Ревизия весов
ae067d2

0 моделей