/ Модель

Характеристики

Параметры
191 млн
Размер весов
1,7 ГБ
Лицензия
MIT
Архитектура
vit_mae · dense
Библиотека
transformers
Опубликована
8 янв 2026

siglip2_decoder

Преобразование изображенийИзображение, текст → изображение3 профессии

Модель ViT-MAE из проекта Scale-RAE для преобразования изображений в представления, используемые в исследованиях генерации изображений.

1 439скачиваний за 30 дней0лайковвеса обновлены24 янв 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

nyu-visionx/siglip2_decoder — артефакт проекта Scale-RAE, связанного с исследованием масштабирования диффузионных трансформеров для генерации изображений по тексту. В README говорится о Representation Autoencoders (RAE), использующих энкодеры вроде SigLIP-2 для представления изображений в высокоразмерном семантическом латентном пространстве.

Карточка Hugging Face описывает модель как ViTMAEForPreTraining на базе архитектуры ViT-MAE с 191,1 млн параметров. По назначению проекта такие представления служат основой для обучения и генерации изображений диффузионными моделями; сам репозиторий помечен задачей image-to-image. Доступные материалы не раскрывают детали интерфейса инференса и конкретные параметры декодера. Лицензия репозитория — MIT.

Сценарии применения

  • получение латентных представлений изображений для диффузионных моделей
  • исследование автоэнкодеров представлений для генерации изображений
  • эксперименты с семантическими латентными пространствами изображений

Ограничения

README ссылается на инструкции по обучению и инференсу во внешнем репозитории; подробности использования данной модели в карточке не приведены.

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

Scaling Text-to-Image Diffusion Transformers with Representation Autoencoders (Scale-RAE)

This repository contains artifacts related to the paper Scaling Text-to-Image Diffusion Transformers with Representation Autoencoders.

Introduction

Representation Autoencoders (RAEs) provide a simplified and powerful alternative to VAEs for large-scale text-to-image generation. Scale-RAE demonstrates that training diffusion models in high-dimensional semantic latent spaces (using encoders like SigLIP-2) leads to faster convergence, better generation quality, and improved stability compared to state-of-the-art VAE-based foundations.

Usage

For detailed instructions on installation, training, and inference, please visit the official GitHub repository.

This decoder is also directly compatitable with original RAE codebase. Try it out by simply swapping the encoder with google/siglip2-so400m-patch14-224!

Citation

@article{scale-rae-2026,
  title={Scaling Text-to-Image Diffusion Transformers with Representation Autoencoders},
  author={Shengbang Tong and Boyang Zheng and Ziteng Wang and Bingda Tang and Nanye Ma and Ellis Brown and Jihan Yang and Rob Fergus and Yann LeCun and Saining Xie},
  journal={arXiv preprint arXiv:2601.16208},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели «картинка → картинка» пока не запускаются.

Класс архитектуры
ViTMAEForPreTraining
Ревизия весов
4a728df

0 моделей