/ Модель

Характеристики

Библиотека
diffusers
Опубликована
7 сен 2026

nepa-dit-xl-400k

Генерация изображенийТекст → изображение3 профессии

NEPA-DiT-XL генерирует изображения 256×256 по классам ImageNet-1K с помощью латентной модели flow matching.

100скачиваний за 30 дней0лайковвеса обновлены7 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

NEPA-DiT-XL — модель генерации изображений, опубликованная SixAILab. Она создаёт изображения размером 256×256 с условием по классу ImageNet-1K. Модель состоит из энкодера условий NEPA-XL с 28 слоями и размерностью 1152, денойзера Flux2-style MMDiT и декодера VAE из пространства латентов Stable Diffusion. Обучение проводилось методом flow matching с REPA; опубликованы EMA-веса после 400 тысяч шагов.

Для генерации используются flow-matching Euler ODE и classifier-free guidance с нулевым классом. Репозиторий содержит компоненты для запуска; в README приведены проверенные версии Diffusers и Transformers. Увеличение guidance scale усиливает соответствие условию, но уменьшает разнообразие; при значениях выше 1 растут вычислительные затраты. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация изображений по классу ImageNet
  • создание синтетических изображений размером 256×256
  • эксперименты с латентными моделями flow matching

Ограничения

README описывает генерацию с классами ImageNet-1K при разрешении 256×256; качество на других условиях не заявлено. Повышение guidance scale уменьшает разнообразие и увеличивает вычислительные затраты.

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

NEPA-DiT-XL (ImageNet-1K 256x256, 400k steps, EMA)

Class-conditional latent diffusion model on ImageNet-1K at 256x256.

  • Condition encoder: NEPA-XL (LlamaNepaModel, 28 layers, d=1152). It reads [class token, <boi>, noisy latent] and emits one embedding per latent patch (patch size 4 on the 32x32x4 SD latent).
  • Denoiser: Flux2-style MMDiT (Flux2Transformer2DModel, 10 double + 18 single blocks), conditioned on the NEPA embeddings, trained with flow matching + REPA. Weights are the EMA at step 400k.
  • VAE: stabilityai/sd-vae-ft-ema decoder (f8, 4 channels); latents share the SD VAE encoder space.
  • Sampler: flow-matching Euler ODE (FlowMatchEulerDiscreteScheduler), classifier-free guidance with the null class.

Everything needed to run the model (encoder + pipeline code) ships in this repo; load with trust_remote_code=True.

Usage

pip install "diffusers>=0.36" "transformers>=5.3" torch safetensors

Tested with transformers 5.3.0 / diffusers 0.36.0 and transformers 5.16.1 / diffusers 0.40.0 (identical outputs).

import torch
from diffusers import DiffusionPipeline

pipe = DiffusionPipeline.from_pretrained(
    "SixAILab/nepa-dit-xl-400k", trust_remote_code=True, torch_dtype=torch.bfloat16
).to("cuda")

class_ids = pipe.get_label_ids(["golden retriever", "macaw"])  # or pass ints in [0, 999] directly
images = pipe(
    class_labels=class_ids,
    guidance_scale=3.6,
    num_inference_steps=96,
    generator=torch.Generator("cuda").manual_seed(0),
).images
images[0].save("golden_retriever.png")

__call__ arguments:

argdefaultmeaning
class_labelsrequiredlist of ImageNet-1K ids (one image per id)
guidance_scale3.6CFG weight; 1.0 disables guidance
num_inference_steps96Euler ODE steps
generatorNonetorch.Generator for reproducibility
output_type"pil""pil", "np", "pt" or "latent"

Output resolution is fixed at 256x256. bf16 is recommended (all reported numbers use it); fp16 (e.g. on a T4) and fp32 also work.

Notes

  • CFG is applied on every step. For best FID with full-range CFG use guidance_scale around 1.4-1.5; larger values (3-4) trade diversity for fidelity, as with DiT.
  • Cost per step is 1 NEPA pass + 1 MMDiT pass for the conditional branch, and the same again for the unconditional branch when guidance_scale > 1.

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

Безусловная генерация изображений пока не поддерживается.

Ревизия весов
0c9d01d

0 моделей