/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
3 сен 2026

SaShi-1.0-Vision

Генерация изображенийТекст → изображение7 профессий

SaShi 1.0 Vision — мультимодальная модель для генерации и преобразования изображений, визуальных вопросов и распознавания текста на хинди и английском.

18скачиваний за 30 дней0лайковвеса обновлены3 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображения» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

SaShi 1.0 Vision — мультимодальная модель для работы с изображениями, разработанная ftmdeveloperz006, двумя авторами из Варанаси, Индия. Она объединяет генерацию изображений по текстовому описанию, преобразование и стилизацию существующих изображений, а также ответы на вопросы по изображениям и распознавание текста на хинди и английском языках. В карточке заявлены фотореалистичная генерация, работа с индийскими культурными памятниками, портретами, эскизами, чеками, вывесками и диаграммами.

Модель распространяется в формате Diffusers с весами safetensors по лицензии Apache-2.0. Метаданные указывают задачу visual-question-answering, тогда как каталог также относит её к text-to-image; README заявляет обе задачи, а также преобразование изображений. Заявление о разрешении 8K содержится в тегах и карточке, но подробности архитектуры, размера и длины контекста не приводятся.

Сценарии применения

  • создание изображений по текстовым промптам
  • стилизация и улучшение существующих фотографий
  • преобразование эскизов в фотореалистичные изображения
  • ответы на вопросы по содержимому изображений
  • распознавание текста на чеках и вывесках на хинди и английском
  • понимание диаграмм и визуальных схем

Ограничения

Заявления о фотореалистичной генерации в 8K и поддержке описанных сценариев приведены в карточке модели, но результаты и качество не подтверждены приведёнными сведениями. Архитектура, размер модели и длина контекста не описаны.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

👁️🎨 SaShi 1.0 Vision — Sovereign Indian Multimodal AI Ecosystem

SaShi 1.0 Vision is an all-in-one unified Visual Intelligence & Art engine developed by ftmdeveloperz006 in Varanasi (Banaras), Uttar Pradesh, India (Two Brothers).

Model Architecture Resolution Origin


🌟 The 3-in-1 Unified Multimodal Engine

SaShi 1.0 Vision consolidates three essential visual AI capabilities into one unified framework:

                                ┌─────────────────────────┐
                                │   👁️ SaShi 1.0 Vision   │
                                └────────────┬────────────┘
                 ┌───────────────────────────┼───────────────────────────┐
                 ▼                           ▼                           ▼
        ┌──────────────────┐        ┌──────────────────┐        ┌──────────────────┐
        │ 🎨 Text-to-Image │        │ 🖼️ Image-to-Image│        │ 🔍 Image-to-Text │
        │      (T2I)       │        │      (I2I)       │        │   (I2T/Vision)   │
        │ 8K Ultra-HD Art  │        │ Style & Upscale  │        │ OCR & Visual QA  │
        └──────────────────┘        └──────────────────┘        └──────────────────┘
  1. Text-to-Image (T2I): Generate photorealistic 8K images, Indian cultural monuments, temples, futuristic concepts, and DSLR portraits from natural language prompts.
  2. Image-to-Image (I2I): Transform existing photos, modify styles, convert sketches to photorealistic art, and enhance lighting.
  3. Image-to-Text (I2T / Vision): Visual Question Answering (VQA), reading Devanagari/English text from receipts and signboards (OCR), and understanding complex diagrams.

🛠️ Unified Python Code (T2I, I2I, and I2T)

import torch
from PIL import Image
from diffusers import StableDiffusionPipeline, StableDiffusionImg2ImgPipeline, EulerAncestralDiscreteScheduler
from transformers import pipeline

device = "cuda" if torch.cuda.is_available() else "cpu"

# 1. Text-to-Image (T2I)
t2i_pipe = StableDiffusionPipeline.from_pretrained(
    "ftmdeveloperz006/SaShi-1.0-Vision",
    torch_dtype=torch.float16
).to(device)

def sashi_t2i(prompt):
    return t2i_pipe(prompt + ", 8k uhd photorealistic", num_inference_steps=30).images[0]

# 2. Image-to-Image (I2I)
i2i_pipe = StableDiffusionImg2ImgPipeline.from_pretrained(
    "ftmdeveloperz006/SaShi-1.0-Vision",
    torch_dtype=torch.float16
).to(device)

def sashi_i2i(init_image, prompt, strength=0.75):
    return i2i_pipe(prompt=prompt, image=init_image, strength=strength).images[0]

# 3. Image-to-Text (I2T / Vision Analysis)
vqa_pipe = pipeline("image-to-text", model="Salesforce/blip-image-captioning-large", device=0 if device=="cuda" else -1)

def sashi_i2t(image):
    return vqa_pipe(image)[0]["generated_text"]

🇮🇳 Origin & Creators

  • Name Origin: Sa-Shi (Named after the Two Brothers who conceived and trained this AI model).
  • Location: Varanasi (Kashi / Banaras), Uttar Pradesh, India.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Ревизия весов
c2e7b2c

0 моделей