К содержимому
Изображения

pixel-art-tiny-adaptive

генератор пиксель-арта для английского и арабского

2 мин чтенияобновлено

Небольшая авторегрессионная модель (24,5 млн параметров), которая превращает короткие текстовые промпты на английском, современном стандартном или египетском арабском языках в компактные спрайты размером 16x16 пикселей в формате RGBA. Модель использует нативную палитру на 4 097 цветов из датасета pixel-art-atlas-1.4m и поставляется в виде чистого PyTorch-чекпоинта с собственным пакетом для инференса. Она отлично подойдет разработчикам игр и энтузиастам, которым нужна быстрая генерация миниатюрных пиксель-арт объектов по текстовому описанию.

Ключевые особенности

  • Компактная архитектура: всего около 24.5 млн активных параметров.
  • Мультиязычный ввод: поддержка английского, арабского (MSA) и египетского диалекта.
  • Точный размер на выходе: генерация спрайтов 16x16 пикселей с фиксированной палитрой.
  • Кастомный инференс: работа через собственный пакет PyTorch вместо стандартного пайплайна diffusers.

Что можно сделать

  • Сгенерировать набор маленьких игровых иконок, предметов или монстров для indie-игр.
  • Создать телеграм-бота или локальный скрипт для быстрой генерации пиксель-арта на лету.
  • Протестировать работу авторегрессионных генеративных моделей на нестандартных низкоразмерных выходных данных.

Пример

from huggingface_hub import snapshot_download
import sys

repo = snapshot_download("nomeda-lab/pixel-art-tiny-adaptive")
sys.path.insert(0, repo)

from pixelgen.inference import PixelArtGenerator
gen = PixelArtGenerator.from_pretrained(repo)
gen.generate("a small red dragon", seed=42).show()
gen.generate("تنين أحمر صغير", seed=42).show()
ПодробнееБенчмарки: лучший validation loss равен 1.7340 на 8000 шаге.
Обучение: на датасете Angais/pixel-art-atlas-1.4m (спрайты созданы с помощью Krea 2 Turbo).
Архитектура: FFN шириной [128, 128, 128, 128, 128, 128, 128, 128, 128, 128, 128, 128].
Формат: кастомный чекпоинт PyTorch (модель, config.json, tokenizer.json и palette.npy).
Обсудить Telegram 0 172

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы1.6 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB1.6 GB
  • 4-bitвеса 0.0 GB1.5 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.

    # nomeda-lab/pixel-art-tiny-adaptive
    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 nomeda-lab/pixel-art-tiny-adaptive --local-dir ~/models/pixel-art-tiny-adaptive
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к pixel-art-tiny-adaptive
  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 pixel-art-tiny-adaptive — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

nomeda-lab/pixel-art-tiny-adaptive
Автор
nomeda-lab
Категория
Изображения
Дата выхода
На сайте

На сайте

Hugging Face

1720

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии