在 🤗 Huggingface Space 在线体验 CogView3-Plus-3B 模型
📚 查看 论文
👋 加入我们的 微信
📍 前往 清言 和 API平台 体验更大规模的商业版视频生成模型。
- 🔥🔥
2024/10/13: 我们适配和开源了 diffusers 版本的 CogView-3Plus-3B 模型。你可以前往在线体验。 - 🔥
2024/9/29: 我们已经开源了 CogView3 以及 CogView-3Plus-3B 。CogView3 是一个基于级联扩散的文本生成图像系统，采用了接力扩散框架。 CogView-3Plus 是一系列新开发的基 Diffusion Transformer 的文本生成图像模型。
CogView-3-Plus 在 CogView3（ECCV'24） 的基础上引入了最新的 DiT 框架，以实现整体性能的进一步提升。CogView-3-Plus 采用了 Zero-SNR 扩散噪声调度，并引入了文本-图像联合注意力机制。与常用的 MMDiT 结构相比，它在保持模型基本能力的同时，有效降低了训练和推理成本。CogView-3Plus 使用潜在维度为 16 的 VAE。
下表显示了我们目前提供的文本生成图像模型列表及其基础信息。 目前，所有模型都仅有 SAT 版本，但是我们会参与到 diffusers 版本的制作。
版本。
| 模型名称 | CogView3-Base-3B | CogView3-Base-3B-distill | CogView3-Plus-3B |
|---|---|---|---|
| 模型描述 | CogView3 的基础阶段和接力阶段模型，支持 512x512 文本生成图像以及 2x 超分辨率生成。 | CogView3 的蒸馏版本，分别在两个阶段采样 4 和 1 步（或 8 和 2 步）。 | DIT 版本的图像生成模型 ，支持从 512 到 2048 范围内的图像生成。 |
| 分辨率 | 512 * 512 |
512 <= H, W <= 2048 H * W <= 2^{21} H, W \mod 32 = 0 |
|
| 推理精度 | FP16(推荐), BF16, FP32 | BF16*(推荐), FP16, FP32 | |
| 显存占用 (bs = 4) | 17G | 64G | 30G(2048 * 2048) 20G(1024 * 1024) |
| 提示词语言 | English* | ||
| 提示词长度上限 | 225 Tokens | 224 Tokens | |
| 下载链接 (SAT) | SAT | ||
| 下载链接 (Diffusers) | 未适配 | 🤗 HuggingFace 🤖 ModelScope 🟣 WiseModel |
|
数据解释
- 所有推理测试均在单卡A100上运行，批量大小为4。并使用
PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True以节约显存。 - 模型仅支持英语输入，其他语言可以通过大模型润色时翻译为英语。
- 本次测试环境均使用
SAT框架测试，众多优化点还未完善，我们会联合社区一起制作diffusers库版本的模型。diffusers仓库支持后，将会使用diffusers测试。预计将于 2024 年 11 月发布。
虽然 CogView3 系列模型都是通过长篇合成图像描述进行训练的，但我们强烈建议在文本生成图像之前，基于大语言模型（LLMs）进行提示词的重写操作，这将大大提高生成质量。
我们提供了一个 示例脚本。我们建议您运行这个脚本，以实现对提示词对润色
python prompt_optimize.py --api_key "智谱AI API Key" --prompt {你的提示词} --base_url "https://open.bigmodel.cn/api/paas/v4" --model "glm-4-plus"首先，确保从源代码安装diffusers库。
pip install git+https://github.com/huggingface/diffusers.git接着，运行以下代码：
from diffusers import CogView3PlusPipeline
import torch
pipe = CogView3PlusPipeline.from_pretrained("THUDM/CogView3-Plus-3B", torch_dtype=torch.float16).to("cuda")
# Open it for reduce GPU memory usage
pipe.enable_model_cpu_offload()
pipe.vae.enable_slicing()
pipe.vae.enable_tiling()
prompt = "A vibrant cherry red sports car sits proudly under the gleaming sun, its polished exterior smooth and flawless, casting a mirror-like reflection. The car features a low, aerodynamic body, angular headlights that gaze forward like predatory eyes, and a set of black, high-gloss racing rims that contrast starkly with the red. A subtle hint of chrome embellishes the grille and exhaust, while the tinted windows suggest a luxurious and private interior. The scene conveys a sense of speed and elegance, the car appearing as if it's about to burst into a sprint along a coastal road, with the ocean's azure waves crashing in the background."
image = pipe(
prompt=prompt,
guidance_scale=7.0,
num_images_per_prompt=1,
num_inference_steps=50,
width=1024,
height=1024,
).images[0]
image.save("cogview3.png")更多推理代码，请关注inference,该文件夹还包含一个Gradio封装的简单WEBUI代码。
请查看 sat 手把手教程实现模型推理。
由于项目处于初步阶段，我们正在制作以下内容：
- CogView3-Plus-3B SAT版本的模型微调，包括SFT和Lora微调
- CogView3-Plus-3B Diffuser库版本模型的推理
- CogView3-Plus-3B Diffuser库版本模型的微调
- CogView3-Plus-3B 模型相关周边，包括ControlNet等工作。
官方论文仓库：CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion
CogView3 是一种新颖的文本生成图像系统，采用了接力扩散的方式，将生成高分辨率图像的过程分解为多个阶段。通过接力的超分辨率过程，对低分辨率生成结果添加高斯噪声，并从这些带噪声的图像开始扩散。我们的结果显示，CogView3 的表现优于 SDXL，获胜率达到 77.0%。此外，通过对扩散模型的逐步蒸馏，CogView3 能够在推理时间仅为 SDXL 1/10 的情况下，生成可比的结果。
人类评估的对比结果：
🌟 如果您发现我们的工作有所帮助，欢迎引用我们的文章，留下宝贵的stars
@article{zheng2024cogview3,
title={Cogview3: Finer and faster text-to-image generation via relay diffusion},
author={Zheng, Wendi and Teng, Jiayan and Yang, Zhuoyi and Wang, Weihan and Chen, Jidong and Gu, Xiaotao and Dong, Yuxiao and Ding, Ming and Tang, Jie},
journal={arXiv preprint arXiv:2403.05121},
year={2024}
}
我们欢迎您的贡献，您可以点击这里查看更多信息。
该代码库基于 Apache 2.0 License 协议发布。
CogView3-Base、CogView3-Relay 和 CogView3-Plus 模型（包括 UNet 模块、Transformers 模块和 VAE 模块）基于 Apache 2.0 License 协议发布。