个人玩家用 RTX 4080 训 126 小时,开源像素画 DiT 模型

ApprehensiveTart3158 · reddit · 2026-11-20

受 HuggingFace 热门数据集启发,一位独立开发者首次从零训练 DiT 模型,迭代六版后发布 LiliPixel-V1-190M:支持 16×16、32×32 的 RGBA 输出和 64×64 的 RGB 输出。迭代路径很值得借鉴——第一版无文本编码器、只能生成 16×16;随后加入 Voyage 4 nano 嵌入做文本编码器,提示词遵循大幅改善;第 7 个 epoch 起调整数据配比增加 64×64 样本。总计在一张 RTX 4080 上训练 126 小时、12 个 epoch(约 3000 万张非唯一图像),以完全开源许可放出 diffusers 权重。

原文链接 →

「多模态」频道最新

更多「多模态」频道 AI 资讯 →