Supra2-IMG: локальная генерация изображений моделью на 104 млн параметров

Что именно выпущено

На закреплённой ревизии 10dec6e4 опубликованы model_final_ema.pt размером 416 651 529 байт, самостоятельный inference.py, карточка и config.json. История репозитория датирует загрузку чекпойнта 21 сентября. Этот размер — объём одного файла на диске, не минимальный объём RAM или VRAM и не размер всего конвейера. Отдельные компоненты загружаются при запуске. s2 s3

Скрипт жёстко задаёт разрешение 256×256, архитектуру SupraDiT и 50 шагов сэмплирования по умолчанию. Текст кодируется google/flan-t5-base, а результат декодируется stabilityai/sd-vae-ft-mse. Поэтому 104,1 млн параметров относится к самому диффузионному трансформеру, а не ко всему загружаемому стеку. Код выбирает CUDA, затем Apple MPS при наличии, иначе CPU; карточка не содержит воспроизводимого сравнительного теста этих режимов. s1 s4

Кому пригодится и как начать

Практический сценарий — прототипирование маленьких локальных изображений и изучение диффузионного конвейера с отдельными текстовым энкодером и VAE. Если нужны крупные изображения, типографика или предсказуемое качество коммерческих макетов, сначала проверьте результаты на собственных запросах: в репозитории приведены примеры, но нет независимого сравнения с сопоставимыми настройками. Формулировка автора о SOTA-качестве остаётся его оценкой, а не результатом теста Modelium. s1

Для запуска понадобится Python-окружение с совместимыми torch, torchvision, transformers, diffusers, tqdm и huggingface_hub, а также доступ к двум внешним репозиториям компонентов. После получения inference.py и чекпойнта из закреплённой ревизии команда из карточки выглядит так:

python inference.py --prompt "a sea jellyfish in the dark ocean" --seed 0 --cfg 3.0 --steps 50 --n 1 --out jellyfish.png

Команда показывает интерфейс авторского скрипта, не является проверенным Modelium запуском. Если чекпойнта нет рядом со скриптом, код скачивает его из текущей ветки репозитория — для фиксированного эксперимента скачайте файл указанной ревизии заранее. Важно: скрипт вызывает torch.load(..., weights_only=False) для файла .pt; десериализация такого файла требует доверия к его происхождению. Не загружайте непроверенные копии чекпойнта. s1 s4

В config.json указан auto_map к configuration_my_model и modeling_my_model, но таких файлов в закреплённом дереве нет. Поэтому мы не рекомендуем загружать модель как готовую стандартную архитектуру AutoModel; в репозитории дан самостоятельный скрипт. s2 s4

Лицензия и ограничения

Карточка Supra2-IMG помечена apache-2.0; отдельного файла LICENSE в дереве модели нет. У двух загружаемых компонентов карточки указывают соответственно Apache-2.0 для Flan-T5-Base и MIT для SD VAE. Это метаданные опубликованных репозиториев, а не юридическая экспертиза датасета, изображений или всего конвейера: перед коммерческим использованием проверьте условия компонентов и происхождение данных самостоятельно. Автор пишет об обучении на FLUX-Reason-6M и о 5,6 млн изображений за 10 эпох; эти сведения и оценка качества не имеют здесь независимой репликации. s1 s2 s5 s6

Следующий шаг: зафиксировать ревизии весов и компонентов, создать отдельное Python-окружение и сравнить результаты на своих 256×256 запросах. При оценке железа измеряйте фактическое потребление всей связки, а не пересчитывайте размер .pt в необходимую память. s2 s4