К содержимому
Изображения

LibreOpenVisionBanana4b

визуальное восприятие и генерация на базе FLUX.2 [klein]

2 мин чтенияобновлено

Готовый к запуску пайплайн модели Open Vision Banana 4B от FunAILab, упакованный командой LibreYOLO. В основе лежит 4-миллиардная модель FLUX.2 [klein] Base 4B, дообученная решать задачи компьютерного зрения через обычные текстовые промпты: на выходе можно получить карту глубины, сегментацию объектов или карту нормалей поверхности. Кроме того, модель умеет редактировать изображения и генерировать картинки по тексту. В отличие от исходного репозитория авторов, здесь все компоненты собраны в один полный пайплайн diffusers с весами в формате bfloat16 — ничего не нужно собирать вручную.

Ключевые особенности

  • Мультизадачность по промпту: тип задачи задаётся текстом — сегментация возвращается в виде плоских цветов, глубина в градациях серого, а нормали поверхности в формате RGB.
  • Генерация и редактирование: помимо анализа сцен, сохранены возможности генерации изображений с нуля и их редактирования.
  • Удобная упаковка: это чекпоинт nonzeroshot (усреднённый по шагам 90000–100000), переведённый из float32 в bfloat16 с побитовым совпадением результатов при одинаковом seed.
  • Совместимость с экосистемой: запускается как через библиотеку libreyolo[gen], так и напрямую через стандартный Flux2KleinPipeline из diffusers.

Что можно сделать

  • Получать плотные карты относительной глубины, маски сегментации и нормали для последующей обработки в Python и NumPy.
  • Редактировать исходные изображения или генерировать новые сцены по текстовому описанию в одном пайплайне.
  • Использовать в исследовательских прототипах для извлечения геометрической информации из фотографий без подключения отдельных узкоспециализированных CV-моделей.

Пример

from libreyolo import LibreGen, SAMPLE_IMAGE

model = LibreGen("open-vision-banana")
prompt = (
    "Estimate a dense relative inverse-depth map for the input image. "
    "Encode the result as neutral grayscale (R=G=B)."
)
model(prompt, source=SAMPLE_IMAGE, seed=0).generated.save("depth.png")
ПодробнееБазовая архитектура: FLUX.2 [klein] Base 4B (текстовый энкодер Qwen3).
Дообучение не проводилось — это конвертация весов FunAILab/Open-Vision-Banana в bfloat16.
Лицензия: FLUX Non-Commercial License (только для некоммерческого использования), базовые компоненты — Apache-2.0.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 15 GB · готовые файлы18 GB
  • FP8 / INT8рекомендуемвеса 7.4 GB9.7 GB
  • 4-bitвеса 4.2 GB6.1 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 3080 · BF16 — от RTX 4090

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.

    # LibreYOLO/LibreOpenVisionBanana4b
    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 LibreYOLO/LibreOpenVisionBanana4b --local-dir ~/models/LibreOpenVisionBanana4b
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к LibreOpenVisionBanana4b
  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

FunAILab/Open-Vision-Banana
  1. FLUX.2-klein-base-9Bоснова семьи
  2. Open-Vision-Banana
  3. LibreOpenVisionBanana4b

Новые посты про версии FLUX.2-klein-base-9B — 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

LibreYOLO/LibreOpenVisionBanana4b
Автор
LibreYOLO
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

jjstylenew

jjstylenew
Изображения

TEED ONNX

TEED ONNX