Корейское издание Digital Today (디지털투데이) со ссылкой на Gigazine пишет, что модель P-JiT обучили примерно за 2850만원, то есть около 28,5 млн вон. Курс в тексте не указан, поэтому дальше я оставляю доллары: первоисточник от Linum даёт именно их.

Короткий ответ: да, на вычисления ушло около $21 038. Но это не полный бюджет и не готовая продакшн-модель. Разберём, что в этой цифре есть и чего в ней нет.

Источник: codebridge-ai.com

Что пишут корейцы и где они расходятся с первоисточником

Digital Today описывает устройство модели подробно: VAE не используется, работа идёт прямо в пикселях, текст кодирует замороженный Qwen3.5-4B. Всё это совпадает с описанием Linum. Но в корейском тексте есть несколько мест, которые первоисточники не подтверждают или трактуют иначе:

Источник: preview.redd.it
  • Сэмплы. Корейский текст пишет, что на 512×512 было около 660 млн сэмплов, а потом около 50 млн на 1024×1024. В блоге Linum 610 млн на 512² и 50 млн на 1024², а 660 млн — общий итог двух этапов.
  • Токенизация. Digital Today сравнивает 32×32 с 16×16 у «Linum v2». Досье подтверждает только патчи 32×32 и четырёхкратное сокращение контекста внимания, про 16×16 там ничего нет.
  • Архитектура. Блоки (22 штуки), сжатие 3:1 и readout-механизм в досье не проверены. Я бы не цитировал эти цифры без первоисточника.
  • Стоимость. Корейский текст говорит о «개발비», то есть о стоимости разработки. Linum называет только вычисления.

Откуда взялись $21 038 и что в них не вошло

По разбору CodeBridge, цифра складывается из GPU-часов по $2,50 за H100. Всё обучение шло на 64 видеокартах H100. Пересчёт сходится: 8 139 × 2,50 ≈ $20 348 и 276 × 2,50 = $690.

ЭтапЧасы H100Стоимость, $
Претрейнинг8 13920 348
Постобучение276690
Итого8 41521 038

В самой заметке Linum не сказано, что исключено из расчёта. CodeBridge перечисляет то, что обычно в такую цифру не входит: сбор и разметка данных, поисковые запуски, человеческое время на оценку и зарплаты. Карточка модели на Hugging Face называет просто «около $21K» и часов не даёт. Полные часы есть только в блоге.

Для нас этот прогон на $21K — доказательство концепции по пути к следующей видеомодели. Мы были удивлены, насколько хорошо выглядят результаты для модели такого размера, поэтому решили поделиться ими как экспериментальным релизом. (перевод с английского; Sahil и Manu Chopra, Linum, Field Notes, 4 ноября 2026)

Что модель умеет и чего не умеет

Модель обучена на изображениях и работает в пиксельном пространстве без отдельного автоэнкодера. Её размер — около 2 млрд параметров, в одном из разборов назван точный 2,18 млрд. Linum сама называет её исследовательским чекпоинтом.

  • Текст на изображении не получается: по словам Linum, из обучения намеренно отфильтровали много материалов с текстом, поэтому постеры и инфографику модель не делает.
  • Полные фигуры и толпы, а также взаимодействие нескольких людей — слабое место.
  • Единственная количественная метрика в разборе — validation loss. Сравнений по качеству с другими моделями в досье нет.
  • Для запуска нужна видеокарта NVIDIA с CUDA. По умолчанию перед генерацией короткий промпт расширяется отдельной моделью.

В корейском тексте реакций авторов и креаторов нет: журналист лишь пишет, что релиз «стоит внимания». Зато на Hacker News пост Show HN набрал 284 балла и 29 комментариев. Тексты комментариев в материале не переданы, поэтому их не пересказываю.

Что это меняет для креатора

Главное здесь — пороги входа. Своя генеративная модель перестала быть задачей для лаборатории с сотнями миллионов долларов. Для креатора практический смысл у этой модели узкий: мудборды, референсы, превизы и локальные черновики. Финальные кадры с текстом, толпой и ростовыми фигурами сюда не подходят.

Есть и другой момент. Linum прямо говорит, что P-JiT нужна как ступенька к видеомодели с дешёвой генерацией и контролем. Пока это только план. Судить о видео стоит после выхода самой видеомодели.

Как попробовать локально

  1. Проверьте железо. Нужна NVIDIA с CUDA и место на диске: веса модели изображений около 8,7 ГБ, текстового энкодера около 8 ГБ. Это размер файлов, а не минимум видеопамяти.
  2. Склонируйте репозиторий github.com/Linum-AI/pjit-21k и установите зависимости командой pip install -e . из папки проекта.
  3. Запустите генерацию с флагом --no_upsample, если хотите, чтобы промпт не уходил во внешний API.
  4. Сравните три варианта одного кадра при одинаковом seed, разрешении и числе шагов: короткий промпт без расширения, автоматически расширенный и ваше подробное описание. Сначала смотрите композицию и свет, потом детали.
  5. Сохраните prompt.json: там записаны и ваш промпт, и переписанный. Перед тем как делиться файлом, проверьте, что в нём нет деталей, которые вы не хотите показывать.

Где подвох

Цифра $21 038 — это только вычисления, без данных, людей и поисковых запусков. Модель не делает текст и сложные сцены, а качество оценено только по loss. Если вы собираетесь работать над серьёзным проектом, сначала проверьте, устраивают ли вас эти ограничения. Пока это исследовательский релиз, для клиента он не годится.

Источники

Training a Text-to-Image Model for $21K | Field Notes by Linum

Show HN: A decent text-to-image model trained for ~$20K (Apache 2.0 Weights) | Hacker News

An Image Model Trained for $21K: What P-JiT's Cost Figure Tells You, and What It Doesn't | CodeBridge

P-JiT — Linum's open 2B text-to-image model trained for $21K | AI/TLDR

Linum P-JiT 21,038달러 이미지 모델 학습비 - H100 8,415시간 내역과 공개 범위

Источникdigitaltoday.co.kr