К содержимому
Изображения

DreamShaper 8 for Snapdragon NPU

DreamShaper 8 для чипов Snapdragon

2 мин чтения

Эта модель представляет собой вариант популярного генератора картинок DreamShaper 8 (файнтюн Stable Diffusion 1.5), оптимизированный специально для работы на нейронных процессорах (NPU) мобильных платформ. Файлы модели переведены в бинарный формат QNN context binaries для чипсета Snapdragon 8 Gen 2, что позволяет запускать генерацию изображений непосредственно на мобильном железе. Модель ориентирована на разработчиков мобильных приложений и энтузиастов, желающих запускать нейросети локально на смартфонах без обращения к облачным серверам.

Ключевые особенности

  • Оптимизация под NPU: файлы адаптированы для Hexagon NPU процессора Snapdragon 8 Gen 2 (SM8550).
  • Квантование весов: веса UNet квантованы до 8 бит (с сохранением 12 чувствительных свёрток в 16 битах), а активации и таблица эмбеддингов переведены в 16-битный формат.
  • Фиксированное разрешение: модель работает строго с разрешением 512 × 512 пикселей.
  • Раздельные компоненты: модель разбита на три бинарных файла (кодировщик текста, UNet и декодер VAE).

Что можно сделать

  • Интегрировать в мобильное приложение: запустить генерацию картинок в приложении на базе движка QNN или использовать в Android-приложении LATAS.
  • Протестировать локальный инференс: запустить генерацию изображений на мобильном устройстве без подключения к интернету и облачным GPU.

Пример

Модель состоит из трех файлов: text_encoder.bin, unet.bin и vae.bin, которые обрабатывают токены, латентное пространство и изображение в формате 16-bit fixed point через QNN runtime.

ПодробнееОтносительная ошибка UNet по сравнению с fp32 составляет 0.9–2.7%, среднее сходство текстового кодировщика — 0.991, а качество декодера VAE достигает 53–56 dB PSNR.
Требует наличия Qualcomm QNN runtime и чипсета Snapdragon 8 Gen 2 (Hexagon v73).
Распространяется под лицензией CreativeML Open RAIL-M (как и базовый DreamShaper 8).
Обсудить Telegram 0

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # jaygensi/dreamshaper-8-npu-sm8550
    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 jaygensi/dreamshaper-8-npu-sm8550 --local-dir ~/models/dreamshaper-8-npu-sm8550
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к dreamshaper-8-npu-sm8550
  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 dreamshaper-8-npu-sm8550 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

jaygensi/dreamshaper-8-npu-sm8550
Автор
jaygensi
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

SIMB

SIMB