/ Модель

Характеристики

Лицензия
CreativeML OpenRAIL-M
Базовая модель
pixart-900m-1024-ft-large
Опубликована
17 июн 2024

pixart-900m-1024-ft-v0.6

Генерация изображенийТекст → изображение3 профессии

Дообученная PixArt-модель создаёт изображения по текстовым запросам, в том числе в высоком разрешении.

41скачиваний за 30 дней24лайкавеса обновлены18 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображения» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

PixArt-900M-1024-ft-v0.6 — полноранговая дообученная модель генерации изображений по текстовому описанию, основанная на ptx0/pixart-900m-1024-ft-large. Для генерации используется конвейер PixArtSigmaPipeline; файлы представлены в формате Diffusers и Safetensors. Текстовый энкодер не обучался, поэтому для инференса можно использовать энкодер базовой модели.

Модель предназначена для создания изображений по текстовым запросам. В карточке приведены примеры валидации при разрешении 1024×1024, а также 1344×768 и 916×1152; модель обучалась на изображениях с разрешением около одного мегапикселя и случайным квадратным кадрированием. Обучение включало 100 000 шагов в течение семи эпох.

Лицензия — CreativeML OpenRAIL-M. Карточка не приводит специальных оценок качества или подробных ограничений; результаты генерации зависят от формулировки запроса и настроек инференса.

Сценарии применения

  • генерация иллюстраций по текстовому описанию
  • создание концепт-арта и визуальных идей
  • генерация квадратных изображений около 1 мегапикселя
  • создание изображений в широком и портретном форматах

Ограничения

Текстовый энкодер этой версии не обучался, поэтому для инференса требуется энкодер базовой модели. Карточка не содержит независимых оценок качества; результаты зависят от запроса и настроек генерации.

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

pixart-900m-1024-ft

This is a full rank finetune derived from ptx0/pixart-900m-1024-ft-large.

The main validation prompt used during training was:

ethnographic photography of teddy bear at a picnic, ears tucked behind a cozy hoodie looking darkly off to the stormy picnic skies

Validation settings

  • CFG: 4.5
  • CFG Rescale: 0.0
  • Steps: 25
  • Sampler: None
  • Seed: 42
  • Resolutions: 1024x1024,1344x768,916x1152

Note: The validation settings are not necessarily the same as the training settings.

You can find some example images in the following gallery:

The text encoder was not trained. You may reuse the base model text encoder for inference.

Training settings

  • Training epochs: 7
  • Training steps: 100000
  • Learning rate: 1e-06
  • Effective batch size: 192
    • Micro-batch size: 24
    • Gradient accumulation steps: 1
    • Number of GPUs: 8
  • Prediction type: epsilon
  • Rescaled betas zero SNR: False
  • Optimizer: AdamW, stochastic bf16
  • Precision: Pure BF16
  • Xformers: Not used

Datasets

photo-concept-bucket

  • Repeats: 0
  • Total number of images: ~567552
  • Total number of aspect buckets: 1
  • Resolution: 1.0 megapixels
  • Cropped: True
  • Crop style: random
  • Crop aspect: square

Inference

import torch
from diffusers import DiffusionPipeline




model_id = 'pixart-900m-1024-ft'
prompt = 'ethnographic photography of teddy bear at a picnic, ears tucked behind a cozy hoodie looking darkly off to the stormy picnic skies'
negative_prompt = 'blurry, cropped, ugly'
pipeline = DiffusionPipeline.from_pretrained(model_id)
pipeline.to('cuda' if torch.cuda.is_available() else 'mps' if torch.backends.mps.is_available() else 'cpu')

prompt = "ethnographic photography of teddy bear at a picnic, ears tucked behind a cozy hoodie looking darkly off to the stormy picnic skies"
negative_prompt = "blurry, cropped, ugly"

pipeline = DiffusionPipeline.from_pretrained(model_id)
pipeline.to('cuda' if torch.cuda.is_available() else 'mps' if torch.backends.mps.is_available() else 'cpu')
image = pipeline(
    prompt=prompt,
    negative_prompt='blurry, cropped, ugly',
    num_inference_steps=25,
    generator=torch.Generator(device='cuda' if torch.cuda.is_available() else 'mps' if torch.backends.mps.is_available() else 'cpu').manual_seed(1641421826),
    width=1152,
    height=768,
    guidance_scale=4.5,
    guidance_rescale=0.0,
).images[0]
image.save("output.png", format="PNG")

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Ревизия весов
074a2ae

0 моделей