moss-qwen3.5-2b-upsampler-v2-bf16
апсемплер промптов для генерации изображений
2 мин чтения
Модель moss-qwen3.5-2b-upsampler-v2-bf16 представляет собой автономный файнтюн в формате BF16 (тип данных с пониженной точностью), созданный на базе модели huihui-ai/Huihui-Qwen3.5-2B-abliterated. Она обучена расширять простые текстовые запросы в детальные и красочные промпты для генерации изображений. Вторая версия получила вдвое больший датасет, очищенный от противоречий и цензуры, а также сбалансированные визуальные домены, включая улучшенную работу с текстом. Модель отлично подойдет для локальных пайплайнов генерации картинок, помогая быстро превращать короткие идеи в детализированные описания.
Ключевые особенности
- Увеличенный датасет: Обучена на 12 000 примерах, пропущенных через оценку DeepSeek-V4.1-Flash.
- Снятая цензура: Полностью удалены цензурные ограничения и следы скрытой фильтрации (0% отказов на тестах).
- Баланс доменов: Добавлены категории для точного сохранения текста на изображениях и темные художественные стили.
- Легковесность: Базируется на модели с 2.21 млрд параметров и легко квантуется для работы в условиях ограниченной видеопамяти.
Что можно сделать
- Улучшение промптов: Интегрировать модель в генеративные пайплайны (например, ComfyUI) для автоматического расширения коротких пользовательских запросов перед отправкой в диффузионную модель.
- Генерация надписей: Использовать улучшенные возможности работы с типографикой и дизайном для создания картинок с четким текстом.
- Локальный запуск: Развернуть модель на слабом железе или запустить квантованную версию в связке с тяжелыми генераторами изображений, выгружая её из VRAM после обработки запроса.
Пример
import torch
from transformers import AutoModelForImageTextToText, AutoProcessor
model_id = "NidAll/moss-qwen3.5-2b-upsampler-v2-bf16"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(model_id, dtype=torch.bfloat16, device_map="auto")
messages = [
{"role": "system", "content": "Expand the user prompt into a rich, vivid image generation prompt. Output only the final prompt."},
{"role": "user", "content": "vintage diner neon sign reading \"OPEN LATE\" in heavy fog"},
]
prompt = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True, enable_thinking=False)
inputs = processor(text=[prompt], return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=512, do_sample=True, temperature=0.6, top_p=0.9, repetition_penalty=1.05)
print(processor.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True).strip())Подробнее
Финальная валидационная потеря (Validation Loss) снизилась до 1.4435 (против 1.5398 в первой версии).Тесты на цензуру показали 0% отказов (0/30 прорбованных промптов заблокированы).
Обучение проводилось с использованием LoRA (r=32, alpha=64) только на языковых слоях внимания и MLP, визуальный кодер оставлен полностью замороженным.
Легко квантуется в INT8 или Q8_0 (~2.2 ГБ) для комфортного запуска на одной видеокарте Tesla T4 или аналогичной потребительской карте.










Комментарии