К содержимому
Другое

Nanosaur 250M

генератор иллюстраций, обученный с нуля на одной GPU

2 мин чтенияобновлено

Nanosaur 250M от автора huangdffs — компактная text-to-image модель на 250 млн параметров для генерации иллюстраций по текстовому описанию или тегам. Модель создана полностью с нуля за 42 часа на одной видеокарте, а не дообучена из готовых чекпоинтов. В основе лежат три компонента: энкодер текста Google Gemma 3 270M, вариационный автоэнкодер PS-VAE (150M параметров, сжимает визуальные признаки DINOv3 в 96-канальное латентное пространство) и диффузионный трансформер DeCo (250M параметров). Проект ориентирован на исследователей и энтузиастов эффективного обучения генеративных моделей.

Ключевые особенности

  • Обучение с нуля за 42 часа: весь цикл обучения выполнен на одной GPU, автор приложил технический отчёт и полный пайплайн скриптов.
  • Связка PS-VAE и DINOv3: автоэнкодер инициализирован на базе vit_base_patch16_dinov3 и обеспечивает 16-кратное пространственное сжатие.
  • Архитектура DeCo: диффузионный трансформер использует широкую MLP-голову на каждый патч, ускорение SPRINT и x-prediction с V-loss.
  • Понимание тегов и текста: генерация работает как по списку тегов, так и по естественному описанию.

Что можно сделать

  • Генерировать иллюстрации локально: запустить встроенный веб-интерфейс на базе Gradio и протестировать генерацию в разрешении до 1024×1024.
  • Обучить собственную T2I-модель: использовать открытые скрипты train_vae.py и train_diffusion_model.py для экспериментов на своих датасетах (в репозитории заложен пример под AFHQ 256×256).
  • Изучить современную архитектуру: разобрать на практике комбинацию Flow Matching, SIGReg Loss и компактного текстового энкодера Gemma 3 270M.

Пример

uv sync
uv run inference_diffusion_model.py
ПодробнееЧекпоинты в комплекте: vae_checkpoint.pt (150M) и diffusion_model_checkpoint.pth (250M).
Требования к железу: GPU с CUDA, 8 ГБ VRAM для генерации 1024×1024 и от 24 ГБ VRAM для обучения.
Ограничения: модель создана для исследований, качество изображения уступает крупным коммерческим генераторам.
Для запуска потребуется принять условия доступа к Google Gemma 3 270M на Hugging Face.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.9 GB · готовые файлы1.5 GB
  • FP8 / INT8рекомендуемвеса 0.5 GB1.0 GB
  • 4-bitвеса 0.3 GB0.8 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 · BF16 — от RTX 2060

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.

    # huangdffs/Nanosaur-250M
    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 huangdffs/Nanosaur-250M --local-dir ~/models/Nanosaur-250M
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Nanosaur-250M
  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.

  • 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 (2)
    • 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.
  • 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 Nanosaur-250M — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

huangdffs/Nanosaur-250M
Автор
huangdffs
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Mesh4D_16

Mesh4D_16
Другое

MediPFN

MediPFN