BLIP3o-NEXT: Advanced Multimodal Foundation Model

Мультимодальная модель, развитие BLIP3o
Гибрид авторегресси и диффузии
Генератор / пониматор картинок от Salesforce

Улучшенное соответствие подсказкам и точность рендеринга текста за счет обучения с подкреплением по методу GRPO

Хорошо справляется с задачами, требующими пространственной структуры (например, рендеринг текста или генерация нескольких объектов

Гитхаб
HF - там целый зоопарк от 3B до 8B

#text2image #image2text #multimodal #ar #captioning

BitDance

Новая модель для генерации изображений на авторегрессии, 14B параметров - это как WAN, надо GGUF'ить

— использует бинарный токенизатор, который позволяет работать с большим словарным запасом и при этом не жрать много памяти

— применяет диффузионную головку для выборки в большом дискретном пространстве — это помогает точнее генерировать изображения

— предсказывает несколько токенов за раз благодаря стратегии next-patch diffusion — из-за этого генерация идёт быстрее

— умеет хорошо реконструировать изображения, близко к тому, как это делают непрерывные VAE

— является мультимодальной и открытой — может работать и с текстом, и с изображениями

Базовая модель — Qwen3-14B-Base

Гитхаб
HF
Демо
Галерея

Спасибо @m_franz

#text2image #multimodal #AR

GEAR: Guided End-to-End AutoRegression for Image Synthesis

Команда Tencent Hunyuan представила новый метод, который позволяет генерировать изображения в 10 раз быстрее. Ключевая особенность подхода - сквозное совместное обучение VQ‑токенизаторов и авторегрессивных (AR) генераторов.

Хотя есть веса и код, никаких примеров генерации не представили. Видимо, смотреть пока не на что кроме потенциала

Гитхаб
HF

#AR #t2i