/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
12 авг 2026

Lucy-2

Генерация изображенийТекст → изображение3 профессии

Lucy-2 — небольшая экспериментальная диффузионная модель для генерации изображений 128×128 по англоязычным текстовым запросам.

16скачиваний за 30 дней6лайковвеса обновлены12 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

Lucy-2 — экспериментальная модель генерации изображений по тексту, разработанная автором репозитория opencerebral. Это диффузионный трансформер с 112,5 млн параметров, обученный с нуля на разрешении 128×128. Веса трансформера инициализированы случайно; замороженные VAE и текстовый энкодер CLIP взяты из готовых компонентов. Модель работает с английскими текстовыми запросами и создаёт изображения.

Модель предназначена для генерации сцен, композиций, пейзажей, интерьеров, еды, транспорта, отдельных животных и крупных портретов. Она может передавать цвет, материалы и освещение, но имеет ограниченную детализацию и слабое понимание сложных запросов. Для вывода требуется отрицательный запрос.

Качество ограничено небольшим размером модели, разрешением латентного представления 16×16 и скромным бюджетом обучения. Модель плохо справляется с несколькими объектами, их точным количеством и взаимным расположением, структурированными объектами, текстом на изображениях и именованными сущностями; лица в широких сценах также получаются слабо. Обучающие данные включают CC3M и CelebA; из-за условий использования CelebA модель выпущена только для исследовательского, некоммерческого применения. Фильтрация безопасности выходов не проводилась.

Сценарии применения

  • создание пейзажей по текстовому описанию
  • генерация интерьеров и сцен с простой композицией
  • создание изображений еды, транспорта или отдельного животного
  • генерация крупного портрета человека
  • эксперименты с компактными диффузионными трансформерами

Ограничения

Слабо выполняет запросы с несколькими объектами, точным количеством и отношениями между объектами; не умеет надёжно изображать текст и сложные структурированные предметы. Качество и детализация ограничены размером модели и разрешением, а выходы не проходят фильтрацию безопасности.

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

Lucy-2

A 112.5M-parameter text-to-image diffusion transformer, pretrained from scratch at 128x128 on a single RTX 3060.

Not a fine-tune of Stable Diffusion or anything else — the transformer weights start from random init. Only the VAE and the CLIP text encoder are pretrained off-the-shelf components, both frozen throughout.

samples

Usage

You must pass the negative prompt. It is not optional.

python inference.py --prompt "a portrait of a woman smiling" --n 4
# the important part
NEGATIVE = "watermark, text overlay"

Recommended settings: cfg_scale 4.5, steps 50.

CC3M is largely stock photography, so the model learned to draw caption bars. Training tagged those captions with watermark, text overlay so the sampler can steer away from the concept. Without the negative prompt you get watermarks and noticeably worse faces — watermarked stock imagery correlates with the waxy portraits in the dataset, so steering away from it lifts quality generally.

Architecture

Parameters112.5M (transformer only)
Resolution128x128
Latent16x16x4, stabilityai/sd-vae-ft-mse (f=8), frozen
Text encoderopenai/clip-vit-large-patch14, frozen
BackboneDiT, dim 640, depth 12, 10 heads, patch 1 (256 tokens)
ConditioningadaLN-Zero on timestep + pooled text; cross-attention to text tokens
ObjectiveRectified flow, logit-normal timestep sampling
SamplerEuler ODE with classifier-free guidance

Training

Roughly 44 GPU-hours total on one RTX 3060 (12 GB), in stages:

stagedatatime
PretrainCC3M, 3.02M pairs, 2.86 epochs, 8.6M samples20 h
Fine-tunewatermark-filtered subset4 h
Fine-tunewatermark-tagged pool (4% marked) + 10% CelebA face crops12 h

The face crops matter: in a scene a face occupies maybe 5x5 of a 16x16 latent, but a portrait crop that fills the frame gets the whole budget. Mixing them in fixed faces within 2500 steps after they had failed for the entire pretrain.

Limitations

This is a small model on a small compute budget — about 2 H100-hours equivalent, against the ~150,000 A100-hours behind Stable Diffusion. Calibrate accordingly.

Works: scenes, composition, colour, material, lighting. Landscapes, interiors, food, vehicles, single animals. Close-up portraits.

Fails:

  • Multi-subject prompts. "Two cats sitting on a sofa" produces uncanny hybrid creatures. Counting is unreliable. This never improved at any stage.
  • Relational clauses. "Strawberries next to a glass of milk" drops the milk.
  • Structured objects. "A blue bicycle" gives a blue object, not a bicycle — thin spoked geometry is beyond a 16x16 latent.
  • Text rendering. No.
  • Proper nouns. CC3M hypernymises named entities ("person", "actor"), so they were never learnable.
  • Faces in wide scenes remain poor; only close-ups improved.

Training data and licensing

Trained on CC3M (via dimzhead/cc3m-256) and CelebA (via tglcourse/CelebA-faces-cropped-128).

CelebA is licensed for non-commercial research use only. Since those images were used in training, this model is released for research use only. Do not use it commercially. CC3M images are likewise not owned by the dataset authors and carry their own terms.

The training data is web-scraped and unfiltered beyond the watermark heuristic described above. It carries the biases of that corpus, including in what kinds of people and scenes it represents well. The CelebA mixture skews the portrait distribution toward that dataset's demographics. No safety filtering of any kind was applied to outputs.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Генеративная модель выложена не в формате diffusers.

Ревизия весов
db012d1

0 моделей