К содержимому
Другое

DINO-T2I SiT-XL

условная генерация по CLS-токену, не text-to-image

1 мин чтенияобновлено

Финальный чекпоинт SiT-XL после 80 эпох обучения на ImageNet-1K в разрешении 256×256. Модель генерирует изображение, обусловленное замороженным CLS-представлением DINOv3 ViT-L/16 входной картинки; это не самостоятельный text-to-image pipeline.

Ключевые особенности

  • Условие — CLS-токен DINOv3 ViT-L/16, а не текст.
  • Архитектура SiT-XL: SwiGLU, RMSNorm, RoPE и shared adaLN.
  • Латентный автоэнкодер — FLUX.2 VAE; разрешение 256×256.
  • 80 эпох, optimizer step 200 160, batch size 512 на 4×NVIDIA H200, BF16.
  • В чекпоинте есть training- и EMA-модель, optimizer state, аргументы, эпоха и шаг.

Пример

Сценарий из карточки: исследователь кодирует входное изображение через DINOv3 ViT-L/16, берёт CLS-вектор и сэмплирует новое изображение 256×256. Для запуска нужны исходный код DINO-T2I, FLUX.2 VAE и энкодер DINOv3.

ПодробнееНа 25 held-out изображениях DINOv3-CLS similarity = 0.61471; это не ImageNet FID.
Чекпоинт весит ~7,3 ГБ; обучение шло с EMA decay 0.9995 и learning rate 2e-4.
Ограничение: не standalone text-to-image — нужны совместимый код, FLUX.2 VAE и DINOv3 ViT-L/16.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 6.8 GB · готовые файлы8.0 GB
  • FP8 / INT8рекомендуемвеса 3.4 GB4.3 GB
  • 4-bitвеса 1.9 GB2.6 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 · BF16 — от RTX 3080

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.

    # SaeedRazavi/dino-t2i-imagenet256-sitxl-flux2-dinocls-80ep
    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 SaeedRazavi/dino-t2i-imagenet256-sitxl-flux2-dinocls-80ep --local-dir ~/models/dino-t2i-imagenet256-sitxl-flux2-dinocls-80ep
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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.

  • 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 (2)
    • 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.
  • 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 dino-t2i-imagenet256-sitxl-flux2-dinocls-80ep — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

SaeedRazavi/dino-t2i-imagenet256-sitxl-flux2-dinocls-80ep
Автор
SaeedRazavi
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Изображения

FastCello

FastCello
Изображения

jjstylenew

jjstylenew