К содержимому
Другое

DiT-Reward-Qwen-Image

оценка качества картинок по промпту

2 мин чтенияобновлено

Модель оценивает, насколько сгенерированное изображение соответствует текстовому описанию и визуальным предпочтениям, выдавая на выходе одно число (скалярный скор). Это не генератор картинок, а reward-модель (модель вознаграждения) для автоматической проверки и ранжирования результатов. Построена на базе Qwen/Qwen-Image размером 28.87B параметров и выпущена анонимными авторами для научной публикации (Submission 7366). В отличие от самой базы, она извлекает признаки из внутренних блоков трансформера и прогоняет их через специальную голову оценки. Пригодится разработчикам, которые фильтруют датасеты, отбирают лучшие генерации или настраивают RLHF (обучение с подкреплением на основе предпочтений).

Ключевые особенности

  • Полностью автономный релиз: в репозиторий включены все веса трансформера, VAE, текстового энкодера Qwen и токенизатора — докачивать базовую модель не нужно.
  • Работает с внутренними признаками: извлекает фичи из блоков [29, 39, 49, 59] с коэффициентом шума flow-matching 0.005 и пропускает через MLP (1536 → 384 → 1).
  • Веса получены линейным слиянием (linear_parameter_interpolation_fp32_3way) трёх чекпоинтов с шагов 13400, 14000 и 13800 в пропорции 0.5 / 0.4 / 0.1.
  • Встроена проверка целостности: скрипт отклоняет битые чекпоинты и поддерживает сверку SHA-256 хэшей через флаг --verify-hashes.

Что можно сделать

  • Автоматически отбирать лучшие варианты при пакетной генерации изображений под заданный промпт.
  • Фильтровать и размечать большие парные датасеты «картинка — текст» через встроенный CLI-режим с поддержкой --input-jsonl.
  • Использовать как функцию вознаграждения при дообучении собственных генеративных моделей.

Пример

import torch
from inference import DiTReward
torch.manual_seed(0)
model = DiTReward(".", device="cuda")
scores = model.score(["example.png"], ["A red bicycle next to a tree."], batch_size=1)
print(scores)
ПодробнееРазмер модели: 28.87B параметров, требуется CUDA-совместимый PyTorch (рекомендуется начинать с batch_size=1).
Входное изображение приводится к размеру 512×512 (ресайз по меньшей стороне и центральный кроп), обязательно требуется текстовый промпт.
Скор калиброван только внутри самой модели — напрямую сравнивать его с цифрами других reward-моделей нельзя.
Лицензия весов: Apache-2.0 (на базе Qwen), код распространяется под MIT.
Обсудить Telegram 0 17

Запустится ли?

Запустится в 4-bit

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

  • BF16веса 54 GB · готовые файлы60 GB
  • FP8 / INT8рекомендуемвеса 27 GB30 GB
  • 4-bitвеса 15 GB17 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.

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.

    # iclr2027-7366/DiT-Reward-Qwen-Image
    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 iclr2027-7366/DiT-Reward-Qwen-Image --local-dir ~/models/DiT-Reward-Qwen-Image
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к DiT-Reward-Qwen-Image
  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

Дообучение модели

Qwen/Qwen-Image

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

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face

О модели

iclr2027-7366/DiT-Reward-Qwen-Image
Автор
iclr2027-7366
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

170

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии