/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
5 авг 2026

sdxs_unet

Генерация изображенийТекст → изображение

SDXS-1B (CLIP version) — диффузионная модель для генерации изображений по текстовым запросам.

6скачиваний за 30 дней0лайковвеса обновлены29 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

SDXS-1B (CLIP version) — модель диффузионной генерации изображений по текстовому описанию, опубликованная пользователем recoilme. В основе — специализированный UNet примерно на 1,585 млрд параметров с перекрёстным вниманием размерности 768, текстовый кодировщик CLIP на 12 слоёв и VAE с декодером, включающим увеличение изображения в 2 раза. Для генерации используется FlowMatchEulerDiscreteScheduler; в карточке приведены настройки по умолчанию в 40 шагов и максимальная длина текста кодировщика 248 токенов.

Модель предназначена для создания изображений по текстовым запросам. Это вариант SDXS-1B, в котором исходный кодировщик на базе Qwen заменён на CLIP, а проекции UNet перенесены с размерности 2048 на 768 с начальной загрузкой весов. Модель не поддерживает уточнение запросов через LLM и генерацию с условием на входное изображение. Лицензия указана как other, без уточнения её условий в предоставленных данных.

Сценарии применения

  • создание изображения по текстовому описанию
  • генерация иллюстраций по коротким запросам
  • быстрое прототипирование визуальных концепций

Ограничения

Не поддерживает уточнение промптов через LLM и генерацию с условием на входное изображение. Условия лицензии, обозначенной как other, в предоставленных данных не раскрыты.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SDXS-1B (CLIP version)

Text-to-image diffusion model on a custom UNet with CLIP text encoder (converted from Qwen).

Architecture

  • UNet: ~1.585B params, cross_attention_dim=768
    • block_out_channels: [320, 640, 1280, 1536]
    • layers_per_block: [4, 3, 2, 2]
    • transformer_layers_per_block: [2, 2, 3, 4]
  • Text encoder: CLIPTextModel (768 hidden, 12 layers, 248 max tokens) — LongCLIP-style
  • VAE: AsymmetricAutoencoderKL (32ch, 8x encoder / 16x decoder, built-in 2x upscaler)
  • Scheduler: FlowMatchEulerDiscreteScheduler, shift=5.0, 40 steps default
  • Embeddings: hidden_states[-2] + final_layer_norm

Usage

import torch
from pipeline_sdxs import SdxsPipeline

pipe = SdxsPipeline.from_pretrained(
    "recoilme/sdxs",
    torch_dtype=torch.float16,
    trust_remote_code=True,
).to("cuda")

image = pipe(
    prompt="1girl, smiling, red eyes, blue hair, white shirt",
    negative_prompt="bad quality grainy image with low details, incomplete text, despite numerous technical flaws and distorted figures",
    width=1024,
    height=1280,
    guidance_scale=5.0,
    seed=0,
)[0][0]

image.show()

Notes

  • Converted from the Qwen-based SDXS-1B: text encoder replaced with CLIP, UNet cross-attention migrated 2048 → 768 (warm-started projections).
  • No refine_prompts (CLIP is not an LLM) and no image conditioning.
  • Training: flow matching (velocity), cfg-dropout 0.10, timestep shift aligned with the scheduler.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет model_index.json: DiffusionPipeline его не соберёт.

Ревизия весов
47ae8eb

0 моделей