/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
SupraDiT · dense
Библиотека
transformers
Опубликована
21 сен 2026

Supra2-IMG

Генерация изображенийТекст → изображение3 профессии

Компактный диффузионный трансформер SupraLabs для генерации изображений 256 × 256 по текстовым запросам.

1 050скачиваний за 30 дней186лайковвеса обновлены10 окт 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

Supra2-IMG — компактная модель генерации изображений по текстовому описанию, разработанная SupraLabs. Это диффузионный трансформер SupraDiT примерно на 104,1 млн параметров, обученный с нуля на 5,6 млн синтетических изображений из LucasFang/FLUX-Reason-6M. Для кодирования текста используется замороженный Flan-T5-Base с контекстом до 128 токенов, а изображения создаются через SD-VAE-FT-MSE с разрешением 256 × 256 пикселей.

Модель предназначена для генерации изображений по текстовым запросам. В README приведены метрики FID 27,9 и CLIP 29,4, а для генерации рекомендованы 50 шагов и CFG 3.0. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. По опубликованным характеристикам модель ориентирована на небольшие изображения; качество для иных разрешений и широкого спектра запросов не подтверждено.

Сценарии применения

  • создание иллюстраций по текстовому описанию
  • быстрые эксперименты с генерацией изображений
  • прототипирование текстово-графических приложений

Ограничения

Генерирует изображения с разрешением 256 × 256; контекст текстового энкодера ограничен 128 токенами. Опубликованные метрики и описание не подтверждают качество на других разрешениях или для всех типов запросов.

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

supra2-IMG

Supra2-IMG is a tiny 100M parameters text-to-image (T2I) model that has been trained from scratch on high-quality synthetic data and delivers state-of-the-art image quality for its size.


Samples

Samples Supra2-IMG


Model

About the model

The model is a tiny diffusion transformer (DiT) with ~105M parameters.

  • Pipeline: text-to-image
  • Parameter Count: 104.1M
  • Encoder: frozen Flan-T5-Base
  • VAE: SD-VAE-FT-MSE
  • Image resolution: 256²
  • Latent size: 32²
  • Patch: 2
  • Context length (Flan-T5): 128 tokens

Model config

  • D_MODEL: 576
  • DEPTH: 14
  • N_HEADS: 9
  • HEAD_DIM: 64
  • MLP_RATIO: 4.0
  • D_CTX: 768
  • VAE_SCALE: 0.18215

Training

Dataset

The model was trained for 10 epochs on the full LucasFang/FLUX-Reason-6M dataset.

Data preparation

All train data images were downloaded as parquets + metadata and prepared by first chosing the prompt. This was done in the following order (each next prompt is a fallback for the previous prompt): caption_composition → caption_entity → caption_text → caption_style → caption_imaginative. That way, we ensured only using the highest quality data for pretraining the model.

Exact image count

5.6M images

Epochs count

10 epochs

Hardware

The training ran on a single Nvidia H100 SXM 80GB Runpod Pod for 9 hours (incl. data preparation) with a 2.5TB disk.


Benchmarks

FID ↓ (Lower is better): 27.9

CLIP ↑: 29.4


How to run the model

First, run:

# Create project directory
mkdir Supra2-IMG
cd Supra2-IMG

# Download the inference script
wget https://huggingface.co/SupraLabs/Supra2-IMG/resolve/main/inference.py

Then, you can generate images by running:

python inference.py --prompt "a sea jellyfish floating in the pitch-black ocean depths"  --seed 0  --cfg 3.0  --steps 50  --n 1  --out jellyfish.png

Recommended settings for sampling

  • --seed: 0
  • --cfg: 3.0
  • --steps: 50

Expected Output

The script will output something like:

=== Supra2-IMG inference ===
[device] ...
[ckpt] found ./model_final_ema.pt
[model] building SupraDiT ...
[model] 104.1M parameters
[model] loading weights from ./model_final_ema.pt ...
[model] weights loaded in 0.7s
[text] ctx_len=128
[text] loading tokenizer + google/flan-t5-base ...
...
[text] prompt tokens=15  n=1  seed=0  cfg=3.0  steps=50
[cfg] using stored unconditional embeddings
[sample] Euler flow, 50 steps ...
Generating: ...
[sample] denoising done in ...s
[vae] decoding latents ...
[done] saved 1 image(s) -> ...png

Possible output

image

Acknowledgments

  • Thank you, FLUX-Reason-6M team, for proving the LucasFang/FLUX-Reason-6M dataset. Without your work, this would never be possible!
  • Thanks to the creator of HobbyLM-Image for inspiration
  • Thanks to Runpod for providing the compute!
  • Also a big Thank You To Stability AI and Google for providing SD-VAE and Flan-T5
  • Thanks to all the other people inspiring us to make great open-source models for the community!

What's next

We will keep improving Supra2-IMG, maybe for a next-gen like Supra2.5-IMG, and we will share our progress and findings on the way to the best open-source T2I model 🤗 Please give us a like and a follow on Hugging Face if you want to support our work!

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Генеративная модель выложена не в формате diffusers.

Класс архитектуры
SupraDiT
Ревизия весов
b6186a6

0 моделей