/ Модель

Характеристики

Лицензия
MIT
Библиотека
pytorch
Опубликована
12 мая 2026

RiT

Генерация изображенийТекст → изображение

RiT-XL — диффузионный трансформер для безусловной генерации изображений ImageNet 256×256 в пространстве признаков DINOv2.

0скачиваний за 30 дней5лайковвеса обновлены22 мая 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

RiT-XL (Representation Image Transformer) — модель генерации изображений, разработанная авторами работы «RiT: Vanilla Diffusion Transformers Suffice in Representation Space». Это диффузионный трансформер, обученный безусловно моделировать распределение изображений ImageNet 256×256 в пространстве признаков замороженного энкодера DINOv2-Small. Чекпойнт обучен 800 эпох; денойзер содержит 676 млн параметров и использует 28 слоёв, скрытый размер 1152, 16 голов внимания, SwiGLU, RMSNorm, QK-нормализацию и 2D VisionRoPE.

Модель предназначена для генерации изображений, похожих на изображения ImageNet, и исследования генерации в пространстве представлений. Для декодирования используется замороженный ViT-MAE-подобный декодер. В README указана генерация методом Heun за 25 шагов с CFG около 3,7. Модель не является текстовым генератором изображений с управлением промптом: заявлена безусловная генерация.

Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Заявленные результаты относятся к ImageNet 256×256; пригодность для других распределений изображений README не устанавливает.

Сценарии применения

  • безусловная генерация изображений в стиле ImageNet
  • исследование диффузионной генерации в пространстве признаков
  • сравнение генеративных моделей на ImageNet 256×256

Ограничения

Модель рассчитана на безусловную генерацию изображений ImageNet 256×256; управление содержимым текстовым промптом не заявлено. Результаты для других наборов данных и разрешений не приведены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RiT-XL: Vanilla Diffusion Transformers Suffice in Representation Space

This repository hosts the released RiT-XL checkpoint trained for 800 epochs on ImageNet 256×256 with frozen DINOv2-Small features.

RiT (Representation Image Transformer) is a vanilla Diffusion Transformer that effectively models distributions in high-dimensional representation spaces, as presented in the paper RiT: Vanilla Diffusion Transformers Suffice in Representation Space.

GitHub Paper

Results on ImageNet 256×256

MethodEncoderParamsFID ↓ (CFG=1)FID ↓ (CFG≈3.7)
DiT-XLSD-VAE675M9.622.27
SiT-XLSD-VAE675M8.612.06
REPA-XLSD-VAE675M5.781.29
DDT-XLSD-VAE675M6.271.26
REG-XLSD-VAE675M1.801.36
RAE-XLDINOv2-S676M1.871.41
RAE-XLDHDINOv2-B839M1.511.16
FAE-XLFAE-DINOv2-G675M1.481.29
RiT-XL (ours)DINOv2-S676M1.451.14

All FIDs use 25 Heun steps with the time-shift schedule.

Sample Usage

The full training/inference code is available at lezhang7/RiT. To download the weights manually and load them in PyTorch:

import torch
from huggingface_hub import hf_hub_download

# Download the checkpoint
ckpt = hf_hub_download(repo_id="le723z/RiT", filename="checkpoint-last.pth")

# Load the state dictionary
state = torch.load(ckpt, map_location="cpu", weights_only=False)

# state['model'] / state['model_ema1'] / state['model_ema2'] are the
# trainable + two EMA-decay parameter dictionaries.
# state['model_ema1'] is the EMA decay 0.9999 (used for sampling by default).
model_weights = state['model_ema1']

To run the evaluation script (which auto-pulls this checkpoint plus the matching RAE decoder):

git clone https://github.com/lezhang7/RiT.git
cd RiT
pip install -r requirements.txt
bash scripts/eval.sh        # CFG=3.7, FID ~1.14 on ImageNet 256x256

Model details

  • Architecture: vanilla Diffusion Transformer — 28 layers, hidden 1152, 16 heads, SwiGLU FFN, RMSNorm, QK-norm, 2D VisionRoPE, 32 in-context class tokens, joint [CLS]-patch modeling.
  • Encoder (frozen): facebook/dinov2-with-registers-small (d=384).
  • Decoder (frozen): ViT-MAE-style decoder from nyu-visionx/RAE-collections, variant decoders/dinov2/wReg_small/ViTXL_n08/model.pt.
  • Parameters (denoiser only): 676M.
  • Training: 8×H200, batch 1536 effective, AdamW lr=5e-5, 800 epochs, x-prediction loss, dimension-aware time shift (s ≈ 4.9), CLS auxiliary loss weight λ=0.2.
  • Sampling defaults: Heun, 25 steps, time-shift schedule, CFG=3.7 in interval [0.1, 0.98], coupled-noise initialization for [CLS].

Citation

@article{zhang2026rit,
  title   = {RiT: Vanilla Diffusion Transformers Suffice in Representation Space},
  author  = {Zhang, Le and Mang, Ning and Agrawal, Aishwarya},
  journal = {arXiv preprint arXiv:2605.21981},
  year    = {2026}
}

Acknowledgments

This release reuses the frozen DINOv2 encoder + ViT decoder pairing from RAE and adopts the modernized DiT block design + in-context class tokens from JiT.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Безусловная генерация изображений пока не поддерживается.

Ревизия весов
3910531

0 моделей