/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
FLUX.2-dev
Библиотека
pytorch
Опубликована
9 сен 2026

tinydit-256

Генерация изображенийТекст → изображение3 профессии

Компактный диффузионный трансформер для генерации изображений по текстовым запросам, особенно одиночных объектов и простых сцен.

257скачиваний за 30 дней16лайковвеса обновлены9 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

tinydit-256 — модель генерации изображений по тексту, созданная ivanmikhnenkov. Это диффузионный трансформер с 210 млн параметров, обученный с нуля за 400 тысяч шагов на 4,2 млн изображений с разрешением 256² и выше. Для кодирования текста используется замороженный flan-t5-base, а для латентного представления изображений — замороженный автоэнкодер FLUX.2; сами трансформер, рецепт обучения, конвейер данных и оценка разработаны автором.

Модель предназначена для генерации изображений по текстовым запросам. Она лучше справляется с одиночными объектами, животными, сценами, цветами и простыми отношениями между объектами; поддерживает пять соотношений сторон. В README приведены результаты оценки на отложенных запросах: FID 27,0 и точность распознавания объектов классов COCO 90% при указанных настройках генерации.

Известные ограничения — генерация читаемого текста, детализированных лиц крупным планом, толпы и точного количества объектов свыше трёх. Для запуска нужны веса VAE FLUX.2, доступ к которым ограничен и которые не входят в репозиторий, а также flan-t5-base. Лицензия — CC BY-NC 4.0, разрешено использование с указанием авторства, но не коммерческое.

Сценарии применения

  • создание изображений одиночных объектов по описанию
  • генерация изображений животных и простых сцен
  • визуализация цветов и простых отношений между объектами
  • создание изображений с разными соотношениями сторон

Ограничения

Модель испытывает трудности с читаемым текстом на изображениях, лицами крупным планом, толпами и точным количеством объектов свыше трёх. Для запуска требуются отдельно получаемые веса VAE FLUX.2 и flan-t5-base.

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

tinydit-256

A 210M-parameter text-to-image diffusion transformer trained from scratch on one GPU (3.5 days, 400k steps, 4.2M images at 256² area with aspect-ratio buckets). Frozen FLUX.2 autoencoder (32-channel latent) and frozen flan-t5-base text encoder; the transformer, recipe, data pipeline and evaluation are original.

samples

same prompt over training

Results (held-out prompts, 20 Euler steps, CFG 4, shift 2.8)

FIDFD-DINOv2object accuracy (COCO classes, Faster R-CNN)CLIPPickScoreHPSv2.1
27.021890%0.32220.90.254

Strengths: single objects, animals, scenes, colours and simple relations, five aspect ratios. Known limits: readable text, close faces, crowds, counts above three.

Files

  • model.safetensors: EMA weights (bf16), step 400k
  • config.json: architecture and sampler defaults
  • stats.json: per-channel latent mean/std; latents are whitened with these after encoding and un-whitened before decoding

Usage

Clone the GitHub repo, fetch the frozen FLUX.2 VAE (gated, needs your own HF token; it is not redistributed here) and flan-t5-base, then:

python -m tinydit.sample --ckpt model.safetensors --config run1 --sets NOVEL=prompts/novel.txt --out out.png --shape 320x208

or run the local playground (python -m tinydit.playground) for interactive prompts, sampling trajectories and attention maps. Architecture: adaLN-single DiT, dim 896 × 16 blocks, 2D RoPE, QK-norm, SwiGLU, 16 register tokens and 2 learned null key/value slots per cross-attention; rectified flow with a 2.8 timestep shift, cosine and dispersive auxiliary losses.

License

Weights are released under CC BY-NC 4.0. They depend at inference on the FLUX.2 autoencoder (FLUX.2-dev non-commercial licence, gated) and were trained in part on images generated by FLUX.1-dev (FLUX-Reason-6M); use is non-commercial accordingly.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Базовая модель black-forest-labs/FLUX.2-dev закрыта автором (gated): у платформы нет доступа к её весам.

Ревизия весов
beb26e4

0 моделей