P-Image-OSS
открытая модель генерации и редактирования картинок на базе MiniMax-H3
2 мин чтенияобновлено
P-Image-OSS — это продвинутая модель для генерации изображений по тексту и их комплексного редактирования, созданная компанией PrunaAI на базе архитектуры MiniMax-H3. Модель выдаёт детальные изображения разрешением до 8 мегапикселей всего за 8 шагов генерации без классификатора подсказок (CFG). Особенностью пайплайна является встроенный текстовый апсемплер (модуль улучшения промптов) на базе Qwen3.5-9B, который автоматически превращает короткий запрос в развёрнутый детальный промпт. Новинка особенно сильна в фотореализме, кинематографических и редакторских стилях, а также в создании графики с короткими надписями в кавычках.
Ключевые особенности
- Быстрая генерация: Полный цикл создания изображения занимает всего 8 шагов семплирования без необходимости настройки CFG и негативных промптов.
- Высокое разрешение: Нативная поддержка генерации картинок в качестве 8 MP (например, 2912×2912 пикселей) с проработкой мелких деталей кожи и текстур.
- Многокомпонентное редактирование: Возможность редактировать одно изображение или объединять в единую сцену до 8 разных референсов по текстовому запросу.
- Встроенный апсемплер: Автоматическое улучшение пользовательских запросов с помощью языковой модели для достижения наилучшего визуального результата.
Что можно сделать
- Текст-в-картинку: Сгенерировать фотореалистичный кадр, иллюстрацию или постер высокого разрешения с точным соблюдением пропорций и короткого текста.
- Точечное редактирование: Изменить конкретные элементы на готовой фотографии, добавив или убрав детали с помощью текстовой инструкции.
- Композитинг по референсам: Объединить персонажей и объекты из нескольких разных изображений (до 8 штук) в одну связную композицию.
- Интеграция в пайплайны: Запустить модель локально с помощью библиотеки Diffusers для автоматизации генерации контента.
Пример
Пример генерации изображения по текстовому промпту с помощью Python и Diffusers:
import torch
from diffusers import ModularPipeline
pipe = ModularPipeline.from_pretrained("PrunaAI/P-Image-OSS")
pipe.load_components(dtype=torch.bfloat16)
pipe.to("cuda")
prompt = "A cinematic street view at night with glowing lights."
image = pipe(
prompt=prompt,
height=3360, width=2496,
generator=torch.Generator().manual_seed(3),
output="images"
)[0]
image.save("output.png")Подробнее
• Задачи: Текст-в-картинку и редактирование по 1–8 изображениям• Архитектура: Трансформер на 33.1 млрд параметров, текстовый энкодер на 4 млрд
• Требования к VRAM: Около 101 ГБ с апсемплером промптов (в bf16), либо от 80 ГБ с выгрузкой на CPU (offloading)
• Лицензия: MiniMax H3 Community License (с ограничениями для ряда регионов)














Комментарии