К содержимому
Изображения

LiliPixel-V1

компактная модель для генерации пиксель-арта и спрайтов

2 мин чтенияобновлено

LiliPixel-V1 — это диффузионная трансформерная модель (DiT) с 191 миллионом параметров, обученная с нуля генерировать пиксель-арт и спрайты в нативных разрешениях 16x16, 32x32 и 64x64 пикселей. Модель использует текстовый энкодер Voyage-4-nano и поддерживает прозрачный фон для низких разрешений, а также режим реалистичной графики для 64x64. Благодаря скромному размеру она требует всего около 1 ГБ видеопамяти (VRAM) для работы в формате BF16. Инструмент отлично подойдет разработчикам игр и любителям пиксельной графики для быстрой генерации ассетов.

Ключевые особенности

  • Обучена с нуля на датасетах пиксель-арта с поддержкой разрешений 16x16, 32x32 и 64x64
  • Низкие системные требования: всего около 1 ГБ VRAM для быстрой генерации
  • Поддержка прозрачного фона (RGBA) для разрешений 16x16 и 32x32
  • Встроенный режим фотореализма для разрешений 64x64 с помощью специального промпта

Что можно сделать

  • Генерировать спрайты персонажей и предметов с прозрачным фоном для инди-игр
  • Создавать небольшие пиксель-арт пейзажи и сценки в разрешении 64x64
  • Быстро экспериментировать с промптами для получения коллекций текстур и иконок

Пример

import torch
from diffusers import DiffusionPipeline

pipe = DiffusionPipeline.from_pretrained(
    "Pinkstack/LiliPixel-V1-190M",
    custom_pipeline="Pinkstack/LiliPixel-V1-190M",
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,
).to("cuda")

image = pipe(
    prompt="cute border collie dog with a purple colar, transparent background",
    height=32, width=32,
    num_inference_steps=30,
    guidance_scale=3.0,
    generator=torch.Generator("cuda").manual_seed(96),
).images[0]
image.save("LiliPixel-image.png")
ПодробнееМодель: 191М параметров, архитектура DiT (24 слоя, ширина 768, 16 голов)
Требования: ~1 ГБ VRAM, поддержка BF16 inference
Обучение: 132 000 шагов на одной RTX 4080 (126 GPU часов)
Ограничения: сложные сцены и большое число объектов в низком разрешении могут получаться неразборчивыми, рекомендуется генерировать несколько вариантов
Обсудить Telegram 37 216

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.7 GB · готовые файлы2.3 GB
  • BF16веса 0.4 GB1.9 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB1.7 GB
  • 4-bitвеса 0.1 GB1.6 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 · F32 — 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.

    # Pinkstack/LiliPixel-V1-190M
    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 Pinkstack/LiliPixel-V1-190M --local-dir ~/models/LiliPixel-V1-190M
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к LiliPixel-V1-190M
  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 LiliPixel-V1-190M — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 1Все на Hugging Face

О модели

Pinkstack/LiliPixel-V1-190M
Автор
Pinkstack
Категория
Изображения
Дата выхода
На сайте

На сайте

Hugging Face

21637

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Изображения

HomeIMG-1.2B

HomeIMG-1.2B