HiDream-ai/HiDream-O1-Image
HiDream-O1-Image HiDream-O1-Image is a natively unified image generative foundation model built on a Pixel-level Unified Transformer (UiT) without external VAEs or disjoint text encoders, which natively encodes raw pixels, text, and task-specific co...
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Tuần
#1 Repository Của Tuần
#1 Repository Của Tháng
🧬 HiDream-O1-Image — Mô hình tạo ảnh thế hệ nhất trên nền UiT
Một mô hình thống nhất xử lý pixel, văn bản và điều kiện nhiệm vụ trong cùng một không gian token, không cần VAE hay bộ mã hoá văn bản riêng biệt.
HiDream-O1-Image là một mô hình nền tảng tạo ảnh được xây dựng trên kiến trúc Pixel-level Unified Transformer (UiT), mã hóa trực tiếp pixel, văn bản và điều kiện nhiệm vụ cụ thể trong một không gian token chung. Không phụ thuộc vào VAE hay bộ mã hoá văn bản tách rời, mô hình hỗ trợ đa nhiệm như tạo ảnh từ văn bản, chỉnh sửa ảnh, và cá nhân hóa theo chủ đề, với độ phân giải lên đến 2.048×2.048.
✨ Điểm nổi bật
- Pixel-Level Unified Transformer: Một mô hình end-to-end duy nhất trên pixel thô, không cần VAE hay bộ mã hoá văn bản rời rạc.
- One Model, Many Tasks: Hỗ trợ tạo ảnh từ văn bản, kết xuất văn bản dài, chỉnh sửa theo hướng dẫn, cá nhân hóa chủ đề, và tạo storyboard trong một kiến trúc.
- Reasoning-Driven Prompt Agent: Agent "suy nghĩ" tích hợp giúp giải quyết kiến thức ngầm, bố cục và kết xuất văn bản trước khi sinh ảnh.
- Native High Resolution: Sinh trực tiếp ảnh độ phân giải cao lên đến 2.048×2.048 với chi tiết sắc nét.
- Hiệu suất ở quy mô 8B: Chỉ với 8 tỷ tham số, đạt hiệu suất ngang hoặc vượt trội so với các mô hình DiT nguồn mở lớn và các mô hình đóng kín hàng đầu.
💡 Vì sao đáng chú ý
Khác biệt từ các mô hình truyền thống, HiDream-O1-Image loại bỏ hoàn toàn sự phụ thuộc vào VAE và bộ mã hoá văn bản tách rời, đưa toàn bộ quá trình xử lý về một mô hình thống nhất. Điều này giúp giảm đáng kể độ phứ tạp kiến trúc đồng thời nâng cao khả năng biểu diễn thống nhất giữa pixel và ngôn ngữ tự nhiên. Đặc biệt, với kỹ năng suy ngẫn của Prompt Agent, mô hình có khả năng xử lý các yêu cầu phức tạp như kết xuất văn bản đa khu vực hoặc sinh ảnh theo layout một cách chính xác.
#HiDream #UiT #ImageGeneration #OpenSource #TiniX
Similar Projects
Discover other similar projects and AI models.
Qwen3.8-27B !Note This repository contains model weights and configuration files for the post-trained model in the Hugging Face Transformers format. These artifacts are compatible with Hugging Face Transformers, vLLM, SGLang, TokenSpeed, etc. !Tip F...
HiDream-O1-Image-Dev-2604 for Text-to-Image Generation Models | Name | Script | Inference Steps | HuggingFace Repo | | :--- | :--- | :---: | :--- | | HiDream-O1-Image-Dev-2604 | inference.py | 28 | 🤗 HiDream-O1-Image-Dev-2604(https://huggingface.co...
Qwen3.8-Flash-Next !Note This repository contains model weights and configuration files for the post-trained model in the Hugging Face Transformers format. These artifacts are compatible with Hugging Face Transformers, vLLM, SGLang, TokenSpeed, etc....
Hugging Face | GitHub | Launch Blog | Documentation License: Apache 2.0 | Authors: Google DeepMind Gemma is a family of open models built by Google DeepMind. Gemma 4 models are multimodal, handling text and image input (with audio supported on small...
Unlimited OCR Works Welcome the Era of One-shot Long-horizon Parsing. Release - 2026/06/23 📄 Our paper is now available on arXiv(https://arxiv.org/abs/2606.23050). - 2026/06/23 🤝 Thanks to the ModelScope community for their support. Our model is n...
DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression Technical Report 👁️ Introduction We introduce DeepSeek-V4.1-Flash, a multimodal Mixture-of-Experts (MoE) model with 552B backbone parameters and support for contexts of up to one milli...
GLM-5.3-Flash 👋 Join our WeChat or Discord community. 📖 Check out the GLM-5.3-Flash blog and GLM-5 Technical report. 📍 Use GLM-5.3-Flash API services on Z.ai API Platform. Introduction We introduce GLM-5.3-Flash, the first natively multimodal mod...
all-MiniLM-L6-v2 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 384 dimensional dense vector space and can be used for tasks like clustering or semantic search. Usage (Sentence-Transformers) Using t...
DeepSeek-R1 Paper Link👁️ 1. Introduction We introduce our first-generation reasoning models, DeepSeek-R1-Zero and DeepSeek-R1. DeepSeek-R1-Zero, a model trained via large-scale reinforcement learning (RL) without supervised fine-tuning (SFT) as a p...