ERNIE Image — новый открытый text2image генератор от Baidu

Довольно компактная 8B моделька довольно успешно соревнуется с заметно большим Qwen Image на бенчах, а также обходит Z-image по бенчам.

УДИВИТЕЛЬНО хорошо рендерит текст, для своего размера и разрешения (1MP).

Архитектурно это single stream MM-DiT. ERNIE Image кидает токены текста и патчи изображения в один общий трансформер с самого начала — никаких параллельных веток (как у Flux), все веса общие. Это проще и компактнее, при этом качество сопоставимое. Архитектурно похоже на Z-image, но проще.

Из интересных нюансов — авторы затюнили 3B LLM для перефразирования промптов юзеров, что заметно улучшает результаты, но модель можно запускать и без него. Вместе с обычными весами выпускают Turbo версию, которой нужно всего 8 шагов для генерации.

Модель запускается на 24GB VRAM, ещё и веса под Apache 2.0 (делать можно что угодно).

Го тестить, я уже поднял ее на своей H200 и модель действительно хороша!

На H200 из коробки 8 шагов генерит за 11 сек.

Демо
Блогпост
Веса
Код

@ai_newz