/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Библиотека
transformers
Опубликована
30 апр 2025

Nexus-Gen

Генерация текстаТекст → текст3 профессии

Nexus-Gen — мультимодальная модель для понимания, генерации и редактирования изображений по текстовым и визуальным запросам.

41скачиваний за 30 дней14лайковвеса обновлены28 июл 2025

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 «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат 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

Nexus-Gen — мультимодальная модель от ModelScope, объединяющая языковую модель Qwen2.5-VL и декодер изображений на основе диффузии. В ней используется двухэтапное обучение для согласования представлений: языковая модель предсказывает эмбеддинги изображения по мультимодальному вводу, а декодер восстанавливает из них изображение. Размер модели — 7,1 млрд параметров, заявленная длина контекста — 128 000 токенов.

Модель предназначена для понимания изображений, генерации изображений по текстовым запросам и редактирования изображений. После дообучения на BLIP3o-60k авторы сообщают о результате 0,79 на GenEval и улучшенной работе с текстовыми запросами для генерации. Модель опубликована в формате safetensors и использует библиотеку Transformers; лицензия — Apache-2.0.

По README, основное обучение и следование инструкциям рассчитаны на английский язык. Авторы отмечают ограниченную устойчивость к коротким запросам из-за ограниченного объёма данных для генерации изображений; поддержка инструкций на других языках не заявлена.

Сценарии применения

  • генерация изображения по подробному текстовому описанию
  • улучшение текстового запроса перед генерацией изображения
  • редактирование изображения по инструкции
  • ответы на вопросы о содержимом изображения

Ограничения

Модель обучалась преимущественно на английском корпусе, поэтому следование инструкциям на других языках не поддерживается. Из-за ограниченного объёма данных для генерации изображений она может быть менее надёжна при коротких запросах.

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

News

  • May 27, 2025: We fine-tuned Nexus-Gen using the BLIP-3o-60k dataset, significantly improving the model's robustness to text prompts in image generation, achieving a GenEval score of 0.79. The model checkpoints have been updated.

What is the Nexus-Gen

Nexus-Gen is a unified model that synergizes the language reasoning capabilities of LLMs with the image synthesis power of diffusion models. To align the embedding space of the LLM and diffusion model, we conduct a dual-phase alignment training process. (1) The autoregressive LLM learns to predict image embeddings conditioned on multimodal inputs, while (2) the vision decoder is trained to reconstruct high-fidelity images from these embeddings. During training the LLM, we identified a critical discrepancy between the autoregressive paradigm's training and inference phases, where error accumulation in continuous embedding space severely degrades generation quality. To avoid this issue, we introduce a prefilled autoregression strategy that prefills input sequence with position-embedded special tokens instead of continuous embeddings. Through dual-phase training, Nexus-Gen has developed the integrated capability to comprehensively address the image understanding, generation and editing tasks as follows.

More information please refer to our repo: https://github.com/modelscope/Nexus-Gen.git

cover architecture

Getting Started

Installation

  1. Install DiffSynth-Studio from source:
git clone https://github.com/modelscope/DiffSynth-Studio.git
cd DiffSynth-Studio
pip install -e .
  1. Install requirements
pip install -r requirements.txt
  1. Install ms-swift if you want to perform finetuning on Nexus-Gen.
pip install ms-swift -U

Prepare models

python download_models.py

Image Understanding

python image_understanding.py

Image Generation

image generation with detailed prompt.

python image_generation.py

Polish prompt and generate images with Nexus-Gen.

image_generation_with_selfpolish.py

Image Editing

python image_editing.py

Training Codes

Nexus-Gen is trained base on ms-swift and DiffSynth-Studio. You can find the training scripts in train/scripts/train_decoder.sh and train_llm.sh.

Limitations

  • Please note that Nexus-Gen is trained primarily with English corpus, therefore instruction-following with non-English is not supported.
  • Please note that Nexus-Gen was trained on limited text-to-image data and may not be robust to short prompts.

Citation

Feel free to reference our work if you find it helpful.

@misc{zhang2025nexusgenunifiedmodelimage,
      title={Nexus-Gen: A Unified Model for Image Understanding, Generation, and Editing}, 
      author={Hong Zhang and Zhongjie Duan and Xingjun Wang and Yuze Zhao and Weiyi Lu and Zhipeng Di and Yixuan Xu and Yingda Chen and Yu Zhang},
      year={2025},
      eprint={2504.21356},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2504.21356v2}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
6a7811a

0 моделей