К содержимому
Изображения

HomeIMG-1.2B-PL-EN-epoch49

генератор картинок с нуля на 1024 px

2 мин чтенияобновлено

Двуязычная модель (польский и английский) для генерации изображений по текстовому описанию, обученная с нуля на 8 домашних видеокартах RTX 3090 Ti. В основе лежит архитектура DiT (Diffusion Transformer — диффузионный трансформер) на 1,24B параметров в связке с замороженным текстовым энкодером Poziomka-Baza, рефайнером на 72,1M параметров и декодером от FLUX.2. Главное отличие этой версии от прошлых эпох семейства HomeIMG — полноценная поддержка разрешения 1024×1024 px наряду с 512 и 256 px. Пригодится энтузиастам, которые ищут компактный генератор с открытым кодом обучения и возможностью запускать его на потребительском железе.

Ключевые особенности

  • Мультиразрешение из коробки: модель обучалась одновременно на 256, 512 и 1024 px (в пропорции токенов 3:2:1), а пайплайн сам подбирает сдвиг расписания шума под выбранный размер картинки.
  • Компактность и скорость: вес основного денойзера всего 1,24B параметров, текстовый энкодер сжат с экспертами в int8 — для генерации в 1024 px требуется около 12–16 ГБ VRAM.
  • Двуязычные промпты: понимает запросы на польском и английском языках (обучалась на датасете FLUX-Reason-6M с 50% переведённых на польский подписей).
  • Полностью открытый стек: в репозитории лежит код обучения, весовые коэффициенты распространяются под лицензиями Apache-2.0 и openmdw-1.1.

Что можно сделать

  • Быстрое прототипирование сцен: генерировать черновики в 256 или 512 px, а затем переключать параметр resolution=1024 для получения детализированного результата тем же пайплайном.
  • Исследование диффузионных моделей: изучить на практике влияние сдвига расписания шума (t-shift) и смешанного обучения по разрешениям на композицию и отсутствие дублей объектов.
  • Локальная генерация по-польски и по-английски: встроить модель через библиотеку diffusers в локальный скрипт или бот на видеокарте с 12–16 ГБ видеопамяти.

Пример

import torch
from diffusers import DiffusionPipeline

REPO = "cpral/HomeIMG-1.2B-PL-EN-epoch49"
pipe = DiffusionPipeline.from_pretrained(REPO, custom_pipeline=REPO, trust_remote_code=True).to("cuda")
image = pipe("rudy kot śpiący na parapecie, fotografia", num_inference_steps=50, guidance_scale=3.0,
             generator=torch.Generator("cuda").manual_seed(0)).images[0]
image.save("kot.png")
ПодробнееМетрики val/loss (velocity MSE на 3584 отложенных картинках FLUX-Reason): 0,5079 (1024 px), 0,5589 (512 px) и 0,6210 (256 px).
Требования: около 12–16 ГБ VRAM для 1024 px, версия diffusers с поддержкой AutoencoderKLFlux2.
Ограничения: в 1024 px всё ещё встречаются дубли объектов или голов (наследие первого этапа дообучения), текст на картинках нечитаемый, лица и кисти рук могут искажаться.
Обучение: 49 эпох суммарно на 8× RTX 3090 Ti с оптимизаторами MuLoCo, CMuon и AdamW.
Примеры
Обсудить Telegram 0 25

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 4.6 GB · готовые файлы6.6 GB
  • BF16веса 2.3 GB4.1 GB
  • FP8 / INT8рекомендуемвеса 1.2 GB2.8 GB
  • 4-bitвеса 0.7 GB2.2 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 · F32 — 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.

    # cpral/HomeIMG-1.2B-PL-EN-epoch49
    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 cpral/HomeIMG-1.2B-PL-EN-epoch49 --local-dir ~/models/HomeIMG-1.2B-PL-EN-epoch49
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к HomeIMG-1.2B-PL-EN-epoch49
  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

Дообучение модели

cpral/HomeIMG-1.2B-PL-EN-epoch47.5
  1. HomeIMG-1.2B-PL-EN-epoch40основа семьи
  2. HomeIMG-1.2B-PL-EN-epoch43
  3. HomeIMG-1.2B-PL-EN-epoch46
  4. HomeIMG-1.2B-PL-EN-epoch47
  5. HomeIMG-1.2B-PL-EN-epoch47.5
  6. HomeIMG-1.2B-PL-EN-epoch49

Новые посты про версии HomeIMG-1.2B-PL-EN-epoch40 — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 1Все на Hugging Face

О модели

cpral/HomeIMG-1.2B-PL-EN-epoch49
Автор
cpral
Категория
Изображения
Дата выхода
На сайте

На сайте

Hugging Face

250

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Изображения

HomeIMG-1.2B

HomeIMG-1.2B