懂AI
IF-II-L-v1.0

IF-II-L-v1.0

最新级联扩散模型提升图像生成能力

DeepFloyd-IF使用先进的文本到图像级联扩散模型生成高质量图像，具备出色的语言处理能力。采用冻结文本编码器与多级像素级扩散模块，将图像分辨率提升至1024x1024。通过COCO数据集测试，支持开箱即用，并可在Hugging Face平台通过diffusers库轻松运行。

级联扩散模型非商业使用Github开源项目文本到图像模型Huggingface许可协议DeepFloyd-IF
访问官网GitHubHugging Face论文

IF-II-L-v1.0项目介绍

IF-II-L-v1.0是由DeepFloyd团队和StabilityAI共同开发的一款先进的文字生成图像模型。该项目实现了一种新的像素级文字到图像的三级扩散模型，并在真实感和语言理解方面达到了新的技术水平。其出色的效率使其超越了当前大多数先进模型，在COCO数据集上的零样本FID-30K得分达到了6.66。

模型详情

  • 开发者： DeepFloyd, StabilityAI
  • 模型类型： 像素级文字到图像三级扩散模型
  • 级联阶段： 第二阶段（II）
  • 参数数量： 12亿个
  • 支持语言： 主要支持英语，同时也支持其他一些拉丁语系语言
  • 许可协议： DeepFloyd IF 许可协议
  • 模型描述： DeepFloyd-IF使用冻结的文本模式和三个像素级的级联扩散模块，通过逐步提高图像的分辨率（64x64, 256x256, 1024x1024）来生成图像。所有阶段都使用基于T5变压器的冻结文本编码器提取文本嵌入，然后输入到增强的UNet架构中，用于交叉注意力和注意力池化。

模型使用

IF模型已集成到🤗 Hugging Face的🧨 diffusers库中，这使得它能够在仅需14 GB VRAM的GPU上运行。

使用该模型前，用户需要接受使用条件：

  1. 用户需拥有并登录 Hugging Face 账户。
  2. 接受DeepFloyd/IF-I-XL-v1.0模型卡上的许可。
  3. 本地安装huggingface_hub并登录。

模型的运行包括几个步骤，通过依次调用三个阶段的模型完成图像生成。

训练信息

  • 训练数据： 使用1.2亿个图文对（基于LAION-A及一些内部数据集），其中测试和验证部分未在任何级联阶段用于训练；验证部分仅用于展示"在线"损失行为。
  • 训练程序： IF-II-L-v1.0使用T5编码嵌入对图像从64px向256px的放大。训练过程包括对图像进行中心裁剪和尺寸调整，用噪声的方法进行增量增强，文本提示通过T5文本编码器编码等。

训练过程采用32个8x A100 GPU，模型在2,500,000步训至256x256分辨率。其设置包括OneCycleLR策略，几位的GELU反向激活，AdamW8bit优化器和DeepSpeed-Zero1，并完全冻结T5编码器。

结语

IF-II-L-v1.0这是一个在文字生成图像领域中的创新性项目，通过深度语言理解和分层的扩散过程为用户带来了高效且真实的图片生成体验。该模型实现了在真实感和语言理解方面的突破，是这一领域的先驱和引领者。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多