P-JiT 21K:花 21K 美元从零训练的文生图研究模型

Linum 发布的研究检查点:P-JiT(Pyramid-JiT)像素空间扩散架构,2B 参数 DiT,在 512px 上训练 6.1 亿样本、1024px 上 5000 万样本,再用 FDFO 变体做后训练,作者称算力成本约 2.1 万美元。文本编码器用冻结的 Qwen3.5-4B。训练描述是 50–80 词的稠密说明,代码仓库附带把短提示词扩写成这种格式的脚本(需要 OpenRouter API Key,可关闭)。作者说明它是下一代视频模型的阶段性成果。

原题:Linum-AI/pjit-21k

Linum 发布的研究检查点:P-JiT(Pyramid-JiT)像素空间扩散架构,2B 参数 DiT,在 512px 上训练 6.1 亿样本、1024px 上 5000 万样本,再用 FDFO 变体做后训练,作者称算力成本约 2.1 万美元。文本编码器用冻结的 Qwen3.5-4B。训练描述是 50–80 词的稠密说明,代码仓库附带把短提示词扩写成这种格式的脚本(需要 OpenRouter API Key,可关闭)。作者说明它是下一代视频模型的阶段性成果。

为什么重要 公开了低成本从零训练文生图的完整样本,适合研究高效训练方法的人对照

上升分 66 · 点赞 66 · 下载量 382

理由

  • 权重、推理代码和训练思路博客全部公开,Apache-2.0
  • 作者写明了训练成本和数据规模,方便和其他模型比较训练效率
  • 五个样例的提示词和种子都给了,可以复现

用法

  • git clone Linum-AI/pjit-21k 后 pip install -e .,用 generate.py 生成;默认 50 步 Euler、引导强度 15
  • 短提示词建议开扩写,或自己写 50–80 词的详细描述

风险

  • 作者明确说明不能写字、做海报,训练时有意去掉了含文字的图
  • 模型较小,全身像、多人互动、多物体和常识细节容易出错
  • 实验性研究检查点,不是生产模型;权重为 fp32,约 8.7 GB
  • 本条未运行,效果以模型卡为准

打开

Hugging Face Trending

浏览最新 AI 动态