/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
flux_rgbd · dense
Библиотека
flux_rgbd
Опубликована
19 мая 2026

modality_forcing

Генерация изображенийТекст → изображение3 профессии

Диффузионная модель на базе FLUX.2 для совместной генерации RGB-изображений и карт глубины по тексту, а также преобразования изображения и глубины.

119скачиваний за 30 дней0лайковвеса обновлены12 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

Modality Forcing — модель генерации пространственных изображений, разработанная авторами проекта Modality Forcing и построенная на базе FLUX.2. Один диффузионный трансформер создаёт RGB-изображение и карту глубины совместно по текстовому запросу, а при выводе также поддерживает преобразования изображение → глубина и глубина → изображение.

Веса FluxRGBD DiT содержат 12 млрд параметров: основу класса FLUX.2 на 9 млрд параметров и дополнительные потоки для глубины; указана точность bf16. Текстовый энкодер Qwen3-8B загружается отдельно. Модель предназначена для генерации RGB-D данных и масштабируемого пространственного синтеза. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Сценарии применения

  • генерация RGB-изображения и карты глубины по текстовому описанию
  • получение карты глубины из изображения
  • создание изображения по карте глубины
  • подготовка пространственных RGB-D данных

Ограничения

Для работы требуется отдельно загружаемый текстовый энкодер Qwen3-8B. Лицензия CC BY-NC 4.0 не допускает коммерческое использование.

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

Modality Forcing for Scalable Spatial Generation

Joint text → RGB + depth generation with a single diffusion transformer, built on FLUX.2. Modality Forcing assigns separate noise levels per modality during post-training, so one model supports joint generation (text → RGB-D), image-to-depth, and depth-to-image at inference.

Files

FileDescription
model.safetensorsFluxRGBD DiT (12B total — 9B-class FLUX.2 backbone + depth streams, bf16)
config.jsonModel variant config (flux_rgbd_9b_v2)
ae_encoder.safetensors / ae_decoder.safetensorsFLUX.2 autoencoder

The Qwen3-8B text encoder is pulled separately from Qwen/Qwen3-8B.

Usage

git clone https://github.com/Duisterhof/modality-forcing.git
cd modality-forcing
bash install.sh
python scripts/joint.py --prompt "a cozy sunlit kitchen with wooden cabinets"

The scripts download these weights automatically (bartduis/modality_forcing is the default --model).

License

The model weights are released under CC BY-NC 4.0 (non-commercial). The inference code is Apache-2.0; see the GitHub repository.

Citation

@article{duisterhof2026mofo,
  title   = {Modality Forcing for Scalable Spatial Generation},
  author  = {Duisterhof, Bardienus Pieter and Ramanan, Deva and Ichnowski, Jeffrey and Johnson, Justin and Park, Keunhong},
  journal = {arXiv preprint arXiv:2606.13676},
  year    = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · flux_rgbd

Нельзя запустить

Генеративная модель выложена не в формате diffusers.

Ревизия весов
1da4105

0 моделей