Команда ByteDance Seed опубликовала GenFirst на Hugging Face: модель создаёт изображения по тексту в разрешении 512×512. Для генераторов это прежде всего новая исследовательская модель, а не готовая замена привычным пайплайнам: веса нельзя использовать в коммерческих проектах.
В текстово-визуальном тесте GenEval лучший вариант набрал 0,8987, а DPG-Bench — 82,60. Второй вариант показал 0,8920 и 82,06 соответственно. Оценки получены без переписывания промптов. Цифры выглядят крепко, но сами по себе не говорят, как модель поведёт себя на ваших запросах.
GenFirst совместно обучает VAE и генеративную модель, чтобы латентное пространство подходило и для генерации, и для восстановления деталей. Для text-to-image используется MMDiT-XL/2 с замороженным CLIP-L и FLUX VAE. В публикации есть две части: VAE и отдельные веса генеративного приора; для запуска нужны обе.
Есть и технический нюанс: опубликованы сырые чекпойнты .pt, это не готовые пайплайны Diffusers, так что потребуется код инференса. Веса распространяются по CC BY-NC 4.0 — только для некоммерческих исследований; код проекта имеет лицензию MIT, но она не отменяет ограничений на веса. Короче, попробовать можно, а в коммерческий продакшен пока нельзя.
ИсточникHF: ByteDance Seed
