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。
「多模态」频道最新
- 单卡 RTX 5070 跑 MiniMax H3 本地生成动漫视频,约 17 分钟一条 — cyborggp · 2026-11-19
- Verba-TTS-Indic-Zero:仅 7.6MB、12 语言的超轻量 TTS,成本仅为 ElevenLabs 的 1/2000 — alexcovo_eth · 2026-11-19
- VEED 发布视频编辑 Agent:一句话描述即可出成片 — Med1_Ai · 2026-11-19
- 用 Gemini 4 Neon 生成 T 细胞科普短片,作者称科学准确到想做成系列 — DeryaTR_ · 2026-11-19
- HyperFlow:14B 压缩版 MiniMax H3,6GB 显存跑视频生成提速一倍 — cgpixel23 · 2026-11-19
- 一条 Neon 提示词让绿植变角色:行走跳跃挥手全搞定 — fofrAI · 2026-11-19