/ Модель

Характеристики

Размер весов
55 ГБ
Лицензия
Apache 2.0
Базовая модель
Qwen-Image
Библиотека
diffusers
Опубликована
28 июл 2026

Qwen-Image-SP

Генерация изображенийТекст → изображение3 профессии

Экспериментальная дообученная версия Qwen-Image для генерации изображений по структурированным текстовым промптам.

272скачиваний за 30 дней0лайковвеса обновлены7 авг 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

Qwen-Image-SP — модель генерации изображений, представленная в работе «Scaling Properties of Text Conditioning in Visual Generation». Она создана на основе Qwen-Image и включает дообученные DiT и текстовый энкодер Qwen2.5-VL на данных со структурированными промптами для проекта по масштабированию контекстного условия.

Модель предназначена для генерации изображений по текстовым запросам, в том числе структурированным и подробным. В репозитории размещены EMA-веса в формате bfloat16 общим объёмом около 55 ГБ, разделённые на 14 файлов safetensors. VAE, токенизатор и scheduler загружаются из Qwen/Qwen-Image.

Модель распространяется по лицензии Apache-2.0. README описывает экспериментальную конфигурацию, связанную с исследовательской работой; данных о поддерживаемых языках и конкретных ограничениях качества не приведено.

Сценарии применения

  • генерация изображений по структурированным промптам
  • создание изображений по подробным текстовым описаниям
  • исследование масштабирования текстового условия в генерации изображений

Ограничения

Для запуска требуются компоненты VAE, токенизатора и scheduler из Qwen/Qwen-Image. Веса занимают около 55 ГБ; README не сообщает о качестве на конкретных языках или прикладных наборах данных.

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

Qwen-Image-SP

This model is described in the paper Scaling Properties of Text Conditioning in Visual Generation.

QwenImage DiT + text-encoder fine-tuned on Structured-Prompt data (context-scaling project). EMA weights, bf16, 55 GB total.

Sharded across 14 safetensors files (each ~4.5 GB, well under HF LFS per-file limits):

  • dit_model-*.safetensors (10 shards) → transformer state dict
  • text_encoder-*.safetensors (4 shards) → Qwen2.5-VL text-encoder

Module prefix already stripped inside each shard, so:

import torch, glob
from safetensors.torch import load_file
from diffusers import QwenImagePipeline
from huggingface_hub import hf_hub_download, snapshot_download

pipe = QwenImagePipeline.from_pretrained("Qwen/Qwen-Image", torch_dtype=torch.bfloat16)
local = snapshot_download("heheyas/Qwen-Image-SP")

for shard in sorted(glob.glob(f"{local}/dit_model-*.safetensors")):
    pipe.transformer.load_state_dict(load_file(shard), strict=False)
for shard in sorted(glob.glob(f"{local}/text_encoder-*.safetensors")):
    pipe.text_encoder.load_state_dict(load_file(shard), strict=False)

VAE, tokenizer, scheduler are inherited from Qwen/Qwen-Image at load time and not shipped here.

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

В репозитории 14 LoRA-файлов, и по карточке не понять, какой из них запускать.

Ревизия весов
350f956

0 моделей