HomeIMG-1.2B-PL-EN-epoch49.2

English version

Polsko-angielski generator z denoiserem DiT 1,24B, refinerem tekstu 72,1M i zamrożoną Poziomką-Bazą.

Przykłady

36 PL · 1024 px · CFG 3

Test22

22 polskie prompty × 4 seedy. Obrazy 1024 × 1024, 50 kroków, CFG 3, time shift 6.

Test22

Trening i rozkład szumu

Kontynuowałem trening epoch49 przez 2048 aktualizacji po 576 obrazów (1 179 648 prezentacji). Budżet tokenów obrazu dla 256, 512 i 1024 px miał proporcję 1:1:4, z większym udziałem wysokiej rozdzielczości. To wspólny punkt startowy gałęzi DanceOPD2048 i DiffusionOPD3072.

W flow matching losowałem z ~ N(0,1), u = sigmoid(z), a następnie t = s·u / (1 + (s−1)·u). Przesunięcie s wynosiło odpowiednio 1,5, 3 i 6. Mediany t to 0,60, 0,75 i około 0,857. Większe obrazy otrzymywały więc silniej zaszumione wejścia. Uczeń widział interpolację czystego latentu i szumu Gaussa. Dopiero kolejne etapy OPD wprowadziły stany wygenerowane przez samego ucznia.

Użycie

import torch
from diffusers import DiffusionPipeline

REPO = "cpral/HomeIMG-1.2B-PL-EN-epoch49.2"
pipe = DiffusionPipeline.from_pretrained(
    REPO, custom_pipeline=REPO, trust_remote_code=True
).to("cuda")

image = pipe(
    "rudy lis siedzący w zaśnieżonym lesie o wschodzie słońca, fotografia",
    resolution=1024,
    num_inference_steps=50,
    guidance_scale=3.0,
    time_shift=6.0,
    generator=torch.Generator("cuda").manual_seed(0),
).images[0]
image.save("lis.png")

Licencje

Denoiser, refiner i kod są udostępniane na Apache-2.0, jak w modelu bazowym. Bundlowana Poziomka ma licencję openmdw-1.1.

Downloads last month
50
Safetensors
Model size
1B params
Tensor type
F32
·
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for cpral/HomeIMG-1.2B-PL-EN-epoch49.2

Datasets used to train cpral/HomeIMG-1.2B-PL-EN-epoch49.2