К содержимому
Изображения

SDXL DPO Step 1000

UNet SDXL после diffusion DPO

1 мин чтенияобновлено

Это чекпоинт step 1000: UNet от stabilityai/stable-diffusion-xl-base-1.0, дообученный diffusion DPO на доступном пуле HPDv3. В репозитории лежат FP16- и FP32-веса UNet, а также состояние чекпоинта и метаданные обучения.

Ключевые особенности

  • База — stabilityai/stable-diffusion-xl-base-1.0; обучение на 1 139 774 парах HPDv3, 150 пар с отсутствующими изображениями исключены.
  • 1024×1024, seed 42, effective pair batch size 2048, DPO beta 5000, peak learning rate 2.048e-5, Adafactor.
  • FP16-UNet в unet/ и FP32 master weights в unet_fp32/, плюс scaler.pt, random_states_*.pkl и training_metadata.json.
  • Это step-1000, не step-2000; optimizer.bin и scheduler.bin отсутствуют — полного optimizer-state для резюма нет.
  • Текстовые энкодеры, токенизатор и scheduler не дублируются: они загружаются из базовой SDXL.

Пример

import torch
from diffusers import AutoencoderKL, StableDiffusionXLPipeline, UNet2DConditionModel
repo = 'asksnskksnfapjgwanga/SDXL_DPO_Step_1000'
unet = UNet2DConditionModel.from_pretrained(repo, subfolder='unet', torch_dtype=torch.float16)
vae = AutoencoderKL.from_pretrained('madebyollin/sdxl-vae-fp16-fix', torch_dtype=torch.float16)
pipe = StableDiffusionXLPipeline.from_pretrained('stabilityai/stable-diffusion-xl-base-1.0', unet=unet, vae=vae, torch_dtype=torch.float16).to('cuda')
image = pipe('A watercolor painting of a quiet mountain village', height=1024, width=1024, num_inference_steps=50, guidance_scale=7.5, generator=torch.Generator(device='cuda').manual_seed(42)).images[0]
ПодробнееБенчмарков в карточке нет.
Обучение: 1 139 774 пары HPDv3, 1024×1024, DPO beta 5000, Adafactor, FP16 + FP32 master; случайный DDPM timestep на пару.
Ограничение: step-1000, optimizer.bin и scheduler.bin отсутствуют; для продолжения обучения оптимизатор нужно создавать заново.
VRAM не указана; для инференса нужны PyTorch, Diffusers, Transformers, Accelerate и Safetensors.
Обсудить Telegram 0

Запустится ли?

Запустится в F16

Влезает без сжатия.

  • F16веса 4.8 GB · готовые файлы6.8 GB
  • FP8 / INT8рекомендуемвеса 2.4 GB4.1 GB
  • 4-bitвеса 1.3 GB3.0 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F16 — от RTX 5060 Ti 8GB

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # asksnskksnfapjgwanga/SDXL_DPO_Step_1000
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download asksnskksnfapjgwanga/SDXL_DPO_Step_1000 --local-dir ~/models/SDXL_DPO_Step_1000
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к SDXL_DPO_Step_1000
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • SageAttention 3v2.2.0от 28 октября 2025

    ещё быстрее на RTX 50 / Blackwell

    FP4-внимание для Blackwell. Быстрее SageAttention 2, но авторы советуют 2-ю версию, когда важна точность.

    Как включить: Сборка из папки sageattention3_blackwell репозитория; в ComfyUI — через KJNodes.

    Предыдущие поколения (2)
    • SageAttention 2++ — Квантованное (INT8/FP8) внимание без заметной потери качества. Главное ускорение для генерации картинок и видео.
    • SageAttention 1 — Первая версия: INT8 для Q·K. Работает и на старых сборках, но 2++ быстрее и точнее.
  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (3)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
    • xFormers — Старый способ ускорить внимание, работает почти везде. Если есть Sage или Flash — они быстрее.
  • cache-dit (DBCache)v1.5.6от 20 ноября 2026новая версия

    1.5–3× при почти том же качестве

    Переиспользует результаты блоков между шагами диффузии. Поддерживает большинство DiT-моделей.

    Как включить: pip install cache-dit; одна строка cache_dit.enable_cache(pipe) для diffusers.

    Предыдущие поколения (2)
    • MagCache — Пропускает шаги по величине изменений. Точнее TeaCache без калибровки.
    • TeaCache — Первый массовый кэш шагов диффузии. Работает, но новые методы точнее.
  • Nunchaku (SVDQuant 4-bit)v1.2.1от 25 января 2026

    ≈3× быстрее и в 3.5× меньше памяти

    4-битные версии популярных моделей картинок почти без потери качества (FP4 на RTX 50).

    Как включить: Есть готовые веса для поддерживаемых моделей; в ComfyUI — ComfyUI-nunchaku.

  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии stable-diffusion-xl-base-1.0 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 5Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face
Слияния 2Все на Hugging Face

О модели

asksnskksnfapjgwanga/SDXL_DPO_Step_1000
Автор
asksnskksnfapjgwanga
Категория
Изображения
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Изображения

T Station Style

T Station Style