47.6M 参数像素画模型:16 步并行去掩码,单卡 5.5 小时训完

RisingSayak · x · 2026-11-19

Tessera-small 把 16x16 像素画当作 256 个 token 的句子来做:每个像素是学习到的 512 色调色板中的一个 token,采用掩码扩散(masked diffusion LM)架构,从全掩码画布出发,按置信度从高到低并行解锁全部 256 个像素,约 16 步完成生成,以 CLIP 文本为条件。无 VAE、无 latent、无自回归。

模型仅 47.6M 参数,用 140 万张精灵图在单张 GPU 上训练约 5.5 小时。Caleb Fahlgren 做了一个 Hugging Face Space,用 int8 ONNX + WebGPU 在浏览器里跑推理,可以实时观看画布被逐步填充,也验证了离散扩散在图像生成上确实可行。

原文链接 →

「多模态」频道最新

更多「多模态」频道 AI 资讯 →