К содержимому
Изображения

Siphon LongCat LoRA

редактирование по меткам на картинке

2 мин чтенияобновлено

Siphon-LongCat-LoRA — это LoRA-адаптер (небольшая надстройка над базовой моделью), который учит LongCat-Image-Edit выполнять визуальные инструкции по размеченному изображению: метки, стрелки и рамки задают конкретную правку, а текстовая подсказка идёт по общему шаблону задачи. На выходе получаешь отредактированное изображение, но сам адаптер не является полноценным редактором: базовую LongCat-Image-Edit нужно скачать отдельно и загружать через явную схему Diffusers + PEFT из репозитория с кодом, а не произвольным Transformers AutoPEFT. Это checkpoint 10000 из stage2-final-0225 — тот же LoRA, что использован для восьми примеров в проекте Siphon. Подойдёт тем, кто экспериментирует с редактированием по визуальным меткам и готов проверять результат вручную: карточка прямо предупреждает об ограничениях.

Ключевые особенности

  • Редактирование по разметке: текст на картинке, стрелки и боксы задают нужную правку.
  • Текстовый канал использует общий шаблон задачи, а не отдельную инструкцию под каждый случай.
  • LoRA rank 64, alpha 8; задействованы attention и feed-forward projection.
  • Официальный путь запуска — Diffusers + PEFT через код Siphon; AutoPEFT не поддержан.
  • У весов указана лицензия apache-2.0, но база и исходные изображения имеют свои условия.

Что можно сделать

  • Подготовить демо, где пользователь обводит объект рамкой и меняет его по текстовому шаблону.
  • Собрать внутренний инструмент для правок по стрелкам и меткам с ручной проверкой результата.
  • Тестировать сценарии с заменой объектов, переносом деталей и удалением маркеров, сравнивая с базой.
  • Использовать как отправную LoRA для собственных экспериментов с LongCat-Image-Edit в pipeline Siphon.

Пример

python -m siphon.inference --base-model meituan-longcat/LongCat-Image-Edit --revision 7b54ef423aa7854be7861600024be5c56ab7875a --lora huangwenjun1994/Siphon-LongCat-LoRA --examples examples/examples.json --case box_double_bass --output-dir outputs/box_example
ПодробнееLoRA: rank 64, alpha 8; attention и feed-forward projection.
Файл тензоров: 188 794 136 байт (~180 MiB).
Обучение: stage 1 — 4000 пар, 512 px, lr 2e-4, шаг 2400; stage 2 — 20 000 смешанных пар, lr 1e-4, шаги 2400–10000.
Референс: 50 шагов, guidance 4.5, seed 43, bf16 и CPU offload.
Ограничения: галерея выбрана вручную, это не success rate; стрелки ранее не заменили мяч и пульт, в цветочном примере меняются другие цветы, лица/руки/текстуры могут перерисовываться, точная надпись не гарантируется.
Обсудить Telegram 0 22

Запустится ли?

Запустится в FP8 / INT8

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 27 GB · готовые файлы32 GB
  • FP8 / INT8рекомендуемвеса 14 GB17 GB
  • 4-bitвеса 7.8 GB10 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 4090 · BF16 — от RTX 5090

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

Это LoRA: вместе с базовой моделью LongCat-Image-Edit.

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.

    # huangwenjun1994/Siphon-LongCat-LoRA
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 meituan-longcat/LongCat-Image-Edit --local-dir ~/models/LongCat-Image-Edit
    hf download huangwenjun1994/Siphon-LongCat-LoRA --local-dir ~/models/Siphon-LongCat-LoRA
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к LongCat-Image-Edit
  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

Нужна базовая модель

meituan-longcat/LongCat-Image-Edit

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

Новые посты про версии LongCat-Image-Edit — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

huangwenjun1994/Siphon-LongCat-LoRA
Автор
huangwenjun1994
Категория
Изображения
Дата выхода
На сайте

На сайте

Hugging Face

220

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии