/ Модель

Характеристики

Опубликована
27 июл 2026

DSR-DiT-XL-ImageNet256

Генерация изображенийТекст → изображение

Диффузионный трансформер для безусловной генерации изображений ImageNet 256×256 и анализа аномальных норм токенов с помощью register-токенов.

0скачиваний за 30 дней0лайковвеса обновлены27 июл 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

DSR-DiT-XL-ImageNet256 — модель диффузионного трансформера для безусловной генерации изображений ImageNet размером 256×256. Репозиторий содержит базовый чекпойнт и вариант с 36 register-токенами, предназначенный для изучения и перераспределения аномально высоких норм токенов: в базовой модели они возникают у patch-токенов, а в варианте с регистрами сосредоточены в register-токенах.

Модель используется в исследовательском ноутбуке для анализа токенов по слоям и генерации изображений в составе полного конвейера с декодером RAE. Для декодирования в пиксельное пространство нужны отдельные артефакты Stage 1 для латентного пространства SigLIP2-B. В карточке не приведены лицензия, размер модели, длина контекста или сведения о разработчике помимо идентификатора репозитория.

Сценарии применения

  • генерация изображений ImageNet размером 256×256
  • исследование аномальных норм patch-токенов в слоях DiT
  • сравнение распределения активаций patch- и register-токенов
  • воспроизведение эксперимента DSR с декодированием латентных представлений

Ограничения

Для декодирования латентных представлений в пиксельное пространство нужны отдельные артефакты Stage 1. Карточка описывает экспериментальное исследование норм токенов; лицензия модели не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DSR — RAE-DiT-XL ImageNet-256 reference checkpoints

Stage-2 diffusion-transformer checkpoints accompanying DSR: Dual-Stage Registers (Taming Outlier Tokens in Diffusion Transformers), released so the outlier-token visualizations can be reproduced without retraining.

Both are EMA weights of a DiT-XL (depth 28, hidden 1152, 16 heads, patch 1, in_channels 768) operating in the SigLIP2-B RAE latent space (16×16×768, ImageNet-256 class-conditional), matching the DSR repo's configs/stage2/sampling/ImageNet256/DiT-XL_SigLIP2-B_data_lognormal.yaml.

FileModelTraining config (DSR repo)Notes
dit_xl_siglip2b_lognormal_ema.ptbaseline, no registersDiT-XL_SigLIP2-B_data_lognormalfull training run
dit_xl_siglip2b_lognormal_in_context_36_ep80_ema.pt+ 36 in-context diffusion registers at block 8*_data_lognormal-in_context_36epoch-80 snapshot (early): samples look under-trained; intended for comparing token-norm structure, where the register effect is already fully developed

Usage

The DSR notebook reproduce_outlier_tokens.ipynb downloads these automatically when no local checkpoint is found. Manual loading:

import torch
from huggingface_hub import hf_hub_download

path = hf_hub_download("smallAI/DSR-DiT-XL-ImageNet256",
                       "dit_xl_siglip2b_lognormal_ema.pt")
state_dict = torch.load(path, map_location="cpu", weights_only=True)
# build LightningDiT from the DSR repo's sampling config, then:
# model.load_state_dict(state_dict, strict=True)

Both files are plain state_dicts (no optimizer state) and load with torch.load(..., weights_only=True).

What they demonstrate

Sampling the baseline while recording per-token L2 norms at every block shows outlier tokens — max/median patch-token norm rising to ~20× in blocks ~14–24, at fixed spatial positions shared across samples. In the register model the patch tokens stay near-flat and the 36 register tokens carry the outlier mass instead. See the DSR repository for the full method and the notebook that produces these figures.

License / intended use

Released for research reproducibility. The models were trained on ImageNet-1k; use of these weights must comply with the ImageNet terms of access.

Stage-1 artifacts (for pixel-space decoding)

Mirrors of the stage-1 release linked from the DSR README (Google Drive), needed only for the notebook's whole-pipeline figure (encode → noise → DiT → decode):

FileWhat
rae_decoder_vitxl_siglip2b_256.ptRAE ViT-XL decoder for the SigLIP2-B latent space (ImageNet-256)
rae_stats_siglip2b_imagenet1k.ptPer-channel latent normalization statistics (mean / var)

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Безусловная генерация изображений пока не поддерживается.

Ревизия весов
1f75ef4

0 моделей