/ Модель

Характеристики

Лицензия
MIT
Опубликована
28 сен 2026

Looped-DiT-B32

Генерация изображенийТекст → изображение

Looped-DiT B/32 — диффузионный трансформер SenseNova для генерации изображений 512 × 512 по текстовым запросам.

0скачиваний за 30 дней7лайковвеса 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/32 — текстово-изобразительная диффузионная модель от SenseNova. Она создаёт изображения по текстовому описанию, используя трансформер MMDiT в пиксельном пространстве и замороженный FLAN-T5-Large для обработки текстового условия.

Модель повышает глубину вычислений повторным применением общей группы трансформерных блоков на каждом шаге денойзинга. Вариант B/32 использует патч размером 32 пикселя и предназначен для генерации изображений 512 × 512. Пять блоков повторяются четыре раза; обучение использует глубокое обучение промежуточных предсказаний и механизм exclusive self-attention. Репозиторий содержит EMA-веса на шаге обучения 290 тысяч.

Модель подходит для генерации изображений по коротким и подробным текстовым запросам, включая сцены с несколькими объектами и пространственными отношениями. В README приведены результаты на наборах GenEval, DPG-Bench, PRISM, CoReBench, SpatialGenEval и TIIF-Short. Для запуска требуется код Looped-DiT; ссылка на него в карточке обозначена как ожидающая публикации. Лицензия — MIT.

Сценарии применения

  • создание изображений по текстовому описанию
  • визуализация сцен с несколькими объектами
  • генерация изображений с заданными пространственными отношениями

Ограничения

Для генерации нужен код Looped-DiT; в карточке ссылка на него указана как ожидающая публикации. Описан вариант с разрешением 512 × 512 и патчами 32 пикселя.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Looped-DiT B/32

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/32 at step 290k:

  • patch size 32, 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
85.185.354.444.552.376.166.3

Usage

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

hf download sensenova/Looped-DiT-B32 looped-dit-b32.pt --local-dir checkpoints
python -m looped_dit.sample --checkpoint checkpoints/looped-dit-b32.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
83a623e

0 моделей