Agate Preview 003
компактная генерация картинок 512×512
3 мин чтенияобновлено
Компактная нейросеть для генерации изображений по английскому текстовому описанию от проекта LogoLabs (занимается созданием логотипов на базе ИИ). Это развитие линейки Agate с архитектурой разделения на планировщик (thinker) и рендерер: модель научилась работать в разрешении 512×512 (раньше было только 256×256) и прошла дообучение с перцептивными функциями потерь (оценивают визуальное восприятие текстур и структуры, а не только попиксельную разницу). При скромном объёме в 261–309.8M параметров она обошла Stable Diffusion 1.5 на тесте Qwen-Image-Bench и работает даже в браузере через WebGPU. Подойдёт для экспериментов с лёгкими генераторами изображений, генерации символов, вывесок с текстом и локального запуска на видеокартах с небольшим объёмом памяти.
Ключевые особенности
- Лёгкая архитектура: 261M параметров с быстрым декодером TAESD или 309.8M со стандартным SD-VAE (192.1M генератор + 68.1M текстовый энкодер).
- Умная обработка промптов: пайплайн автоматически нормализует регистр, переносит конструкции «no X» / «without X» в негативный промпт, помечает количество объектов и диктует текст в кавычках по буквам для более точной отрисовки надписей.
- Высокая скорость: генерация картинки 512×512 за 2.9 секунды на RTX 4060 (50 шагов, bf16 с использованием CUDA graphs) при пиковом потреблении 5.7 ГБ VRAM.
- Несколько вариантов запуска: готовый код на Python, ноды для ComfyUI (версия 0.4.0) и демка прямо в браузере на WebGPU (~14 секунд на RTX 4060).
- Открытая лицензия MIT: разрешено свободное использование как кода, так и весов модели.
Что можно сделать
- Генерировать вывески, логотипы, символы и простые сцены с надписями в кавычках в разрешении 512×512 или 256×256.
- Встроить в локальные рабочие процессы через ноды ComfyUI или запускать на слабом железе (поддерживается даже генерация на CPU).
- Использовать как базу для исследовательских файнтюнов — авторы рекомендуют сохранять при дообучении связку saliency-weighted flow loss с LPIPS и P-DINO.
Пример
import sys
from huggingface_hub import snapshot_download
path = snapshot_download("Logolabs/agate-preview-003")
sys.path.insert(0, path)
from agate import AgatePipeline
pipe = AgatePipeline.from_pretrained(path, device="cuda")
image = pipe('a shop sign that says "OPEN", three red apples on a table, no people', seed=0)[0]Подробнее
Бенчмарки: 32.6 на Qwen-Image-Bench (против 29.1 у SD 1.5 и 28.9 у Agate Preview 002); 0.554 на GenEval (лучше справляется с двумя объектами, но уступает версии 002 в подсчёте и привязке цветов).Железо: пик 5.7 ГБ VRAM на RTX 4060 (2.9 с с CUDA graphs, 4.5 с без них); на CPU генерация занимает около 100 секунд.
Обучение: 24 900 шагов дообучения на 256+512 px поверх базовой ветки на синтетическом датасете FLUX-Reason-6M (5.65M изображений).
Маркировка: по умолчанию добавляет невидимый водяной знак (dwtDctSvd) и метаданные ИИ-генерации в PNG.
Ограничения: статус research preview, понимает только английский язык, без встроенного фильтра безопасности (в 10% обычных промптов с людьми может генерировать наготу без запроса — рекомендуется использовать negative prompt).










Комментарии