Модель на восемь миллиардов параметров, которая и читает картинки, и рисует их в 4K, под лицензией Apache — сообщество запустило её за два дня

19 августа SenseTime выложила веса SenseNova-U1.5-8B-MoT на Hugging Face под лицензией Apache-2.0, в тот же день добавила дообученный вариант, а 20 августа — набор LoRA. Это не конвейер из частей, а единая нативная мультимодальная модель: те же восемь миллиардов параметров, которые смотрят на изображение, его же и создают и редактируют; лаборатория называет этот подход NEO-unify. В примечаниях к выпуску заявлены шесть конкретных улучшений по сравнению с прошлой версией: композиция и передача материалов, читаемость китайского и английского текста на плакатах и инфографике, более эффективная нативная генерация в 4K, редактирование, не портящее нетронутые части картинки, лучшее следование инструкциям, где нагромождены количества объектов и пространственные отношения, и более тонкое управление через рамки и референсные изображения. Проще проверить то, что случилось дальше. Примерно за сорок восемь часов сообщество выпустило конверсии GGUF и FP8, экспорт в ONNX и пакет для ComfyUI, так что модель пошла на обычных настольных сборках. У основного репозитория около 950 загрузок и 91 отметка; референсный код на GitHub, веса продублированы на ModelScope. Честное ограничение: сравнительные измерения SenseTime опубликовала в виде графиков, а не таблиц, независимой проверки пока не было, поэтому утверждения о местах в рейтинге стоит читать как слова самой лаборатории.

✓ Проверено · 4 источников

Похожие новости