/ Модель

Характеристики

Лицензия
MIT
Опубликована
28 сен 2026

Looped-DiT-B16

Генерация изображенийТекст → изображение

Looped-DiT B/16 — диффузионный трансформер SenseNova для генерации изображений 512 × 512 по текстовым запросам.

0скачиваний за 30 дней17лайковвеса обновлены29 сен 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

Looped-DiT B/16 — модель генерации изображений по тексту, разработанная SenseNova. Это диффузионный трансформер в пиксельном пространстве на основе MMDiT из MiniT2I, работающий с замороженным FLAN-T5-Large для обработки текстовых условий. Группа из пяти трансформерных блоков повторно выполняется четыре раза на каждом шаге денойзинга, увеличивая глубину вычислений без увеличения числа блоков; обучение использует глубокий надзор и механизм exclusive self-attention (XSA).

Репозиторий содержит EMA-веса на шаге обучения 580 тысяч. Модель рассчитана на создание изображений размером 512 × 512 с патчами 16 пикселей; в описанном режиме генерации применяются 100 шагов Euler и classifier-free guidance со значением 6.0. README приводит результаты на нескольких бенчмарках генерации, включая GenEval и DPG-Bench. Лицензия — MIT. Для запуска требуется код Looped-DiT; README сообщает, что ссылка на него появится позднее.

Сценарии применения

  • создание изображений по текстовому описанию
  • генерация изображений с несколькими объектами и заданными отношениями между ними
  • визуализация коротких текстовых запросов
  • эксперименты с повторным использованием блоков трансформера в диффузионной генерации

Ограничения

Модель ориентирована на изображения размером 512 × 512; для запуска нужны код Looped-DiT и отдельное получение чекпойнта. README не содержит опубликованной ссылки на код запуска.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Looped-DiT B/16

Looped-DiT is a text-to-image diffusion transformer that runs a shared group of transformer blocks several times within each denoising step, so the model gets deeper without getting larger. Deep supervision trains the prediction after every loop, and exclusive self-attention (XSA) regulates the attention updates inside the loop. The backbone is the pixel-space MMDiT of MiniT2I, conditioned on a frozen FLAN-T5-Large.

This repository holds the EMA weights of Looped-DiT B/16 at step 580k:

  • patch size 16, 512 x 512 images
  • [6,5,6] blocks (pre-loop, looped, post-loop), with the 5 looped blocks run 4 times
  • trained with deep supervision, with XSA in the looped blocks

Results

100 Euler steps, classifier-free guidance 6.0, loop depth 4. TIIF-Short is TIIF-Bench scored on its short prompts.

GenEvalDPG-BenchPRISMCoReBenchSpatialGenEvalTIIF-ShortAvg
87.487.067.053.554.679.771.5

Usage

Download the checkpoint, then sample with the Looped-DiT code (link coming soon):

hf download sensenova/Looped-DiT-B16 looped-dit-b16.pt --local-dir checkpoints
python -m looped_dit.sample --checkpoint checkpoints/looped-dit-b16.pt \
    --prompt "a red cube on top of a blue sphere" --out sample.png

Add --loops 1 2 3 4 to render the prompt at several loop depths. Other depths work without retraining.

License

MIT

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
7436a19

0 моделей