/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
4 окт 2024

CogView3-Plus-3B

Генерация изображенийТекст → изображение4 профессии

CogView3-Plus-3B — модель Z.ai для генерации изображений по текстовым описаниям с разрешением от 512 до 2048 пикселей.

100скачиваний за 30 дней32лайкавеса обновлены12 окт 2024

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

CogView3-Plus-3B — модель генерации изображений по текстовому описанию, разработанная командой Z.ai. Это версия семейства CogView3 на основе архитектуры DiT; она создаёт изображения с разрешением от 512 до 2048 пикселей при условии, что ширина и высота кратны 32. В README приведены замеры скорости и потребления памяти на A100: около секунды на шаг, 19–23 ГБ памяти без выгрузки модели на CPU и около 11 ГБ с ней.

Модель рассчитана на генерацию изображений по текстовым запросам. В README для инференса указаны точности BF16 и FP32; FP16 не поддерживается из-за переполнения, которое может приводить к чёрным изображениям. Репозиторий использует форматы Diffusers и Safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • создание иллюстрации по текстовому запросу
  • генерация изображений высокого разрешения
  • подготовка концепт-арта по описанию
  • создание визуальных материалов для проектов и публикаций

Ограничения

Для ширины и высоты изображения требуется диапазон 512–2048 пикселей и кратность 32. FP16 не поддерживается; замеры скорости и памяти приведены для A100.

Для каких профессий подходит4

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

CogView3-Plus-3B

Inference Requirements and Model Overview

This model is the DiT version of CogView3, a text-to-image generation model, supporting image generation from 512 to 2048px.

  • Resolution: Width and height must meet the range from 512px to 2048px and must be divisible by 32.
  • Inference Speed: 1s / step (tested on A100)
  • Precision: BF16 / FP32 (FP16 is not supported, as it leads to overflow causing black images)

Memory Consumption

We tested memory consumption at several common resolutions on A100 devices, batchsize=1, BF16, as shown in the table below:

分辨率enable_model_cpu_offload OFFenable_model_cpu_offload ON
512 * 51219GB11GB
720 * 48020GB11GB
1024 * 102423GB11GB
1280 * 72024GB11GB
2048 * 204825GB11GB

Quick Start

First, ensure the diffusers library is installed from source.

pip install git+https://github.com/huggingface/diffusers.git

Then, run the following code:

from diffusers import CogView3PlusPipeline
import torch

pipe = CogView3PlusPipeline.from_pretrained("THUDM/CogView3-Plus-3B", torch_dtype=torch.float16).to("cuda")

# Enable it to reduce GPU memory usage
pipe.enable_model_cpu_offload()
pipe.vae.enable_slicing()
pipe.vae.enable_tiling()

prompt = "A vibrant cherry red sports car sits proudly under the gleaming sun, its polished exterior smooth and flawless, casting a mirror-like reflection. The car features a low, aerodynamic body, angular headlights that gaze forward like predatory eyes, and a set of black, high-gloss racing rims that contrast starkly with the red. A subtle hint of chrome embellishes the grille and exhaust, while the tinted windows suggest a luxurious and private interior. The scene conveys a sense of speed and elegance, the car appearing as if it's about to burst into a sprint along a coastal road, with the ocean's azure waves crashing in the background."
image = pipe(
    prompt=prompt,
    guidance_scale=7.0,
    num_images_per_prompt=1,
    num_inference_steps=50,
    width=1024,
    height=1024,
).images[0]

image.save("cogview3.png")

For more content and to download the original SAT weights, please visit our GitHub.

Citation

🌟 If you find our work helpful, feel free to cite our paper and leave a star:

@article{zheng2024cogview3,
  title={Cogview3: Finer and faster text-to-image generation via relay diffusion},
  author={Zheng, Wendi and Teng, Jiayan and Yang, Zhuoyi and Wang, Weihan and Chen, Jidong and Gu, Xiaotao and Dong, Yuxiao and Ding, Ming and Tang, Jie},
  journal={arXiv preprint arXiv:2403.05121},
  year={2024}
}

Model License

This Model is released under the Apache 2.0 License.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Ревизия весов
5d70e40

0 моделей