К содержимому
Изображения

Jeveration

мультизадачная модель для генерации и анализа изображений за один проход

2 мин чтенияобновлено

Jeveration — это замороженная vision-language модель (мультимодальная модель, понимающая текст и изображения), которая создаёт картинку размером 512x512 пикселей как единое решение за один прямой проход (single forward pass). Она построена на базе бэкбона Qwen/Qwen3.5-4B и выполняет широкий спектр задач: от текстовой генерации изображений и переноса стилей до работы с картами глубин и сегментацией. Модель подходит разработчикам и исследователям, которым интересны универсальные пайплайны «всё в одном» на базе современных языковых архитектур.

Ключевые особенности

  • Один пайплайн для всего: поддерживает text-to-image, image-to-image (включая работу по картам HED/depth, колоризацию и стили) и плотное предсказание (dense prediction).
  • База Qwen3.5-4B: использует мощную языковую модель в качестве основы с добавлением LoRA-адаптеров (ранг 256) и специализированных голов.
  • Декодер TA-TiTok: задействует тексто-осведомлённый декодер, дообученный для качественного вывода изображений в разрешении 512x512.
  • Плотное предсказание: умеет вычислять 13-классовую сегментацию, глубину и нормали поверхностей для каждого пикселя.

Что можно сделать

  • Генерация по тексту: создавать изображения по текстовым промптам с помощью пайплайна Python.
  • Преобразование картинок: переносить фотографии в стили аниме, ghibli или акварели, а также раскрашивать черно-белые снимки.
  • Работа со структурой: генерировать изображения на основе карт краев (HED) или карт глубины (depth).
  • Анализ сцен: выполнять сегментацию помещений и получать карту глубин с нормалями с помощью функции плотного предсказания.

Пример

from PIL import Image
from jeveration import JeverationPipeline

pipe = JeverationPipeline("weights/jeveration.pt", decoder="weights/decoder512.pt",
                          source_decoder="weights/source_decoder512.pt")

prompt = "A lone pine tree on a small island in a calm lake at dawn."
images = pipe.text_to_image([prompt], pipe.generator(0))
Image.fromarray(images[0]).save("pine.png")
Подробнее• Файлы модели: веса весят около 4.0 ГБ, декодеры — 1.2 ГБ и 1.3 ГБ.
• Разрешение вывода: фиксированное, 512x512 пикселей.
• Лицензия: Apache License 2.0 для кода и весов.
• Ограничения: плотные головы обучались на датасете NYUv2 для интерьеров.
Обсудить Telegram 57 85

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.7 GB · готовые файлы5.6 GB
  • FP8 / INT8рекомендуемвеса 1.9 GB3.6 GB
  • 4-bitвеса 1.0 GB2.7 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.

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

Qwen/Qwen3.5-4B
  1. Qwen3.5-4B-Baseоснова семьи
  2. Qwen3.5-4B
  3. Jeveration

Новые посты про версии Qwen3.5-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

linlinlinlinsdada/Jeveration
Автор
linlinlinlinsdada
Категория
Изображения
Дата выхода
На сайте

На сайте

Hugging Face

8557

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

EvidenceGuard

EvidenceGuard