Supra2-IMG

Supra2-IMG är en liten text-till-bild-modell från SupraLabs, tränad från grunden. Själva bildnätverket är en diffusionstransformer (DiT) med cirka 104 miljoner parametrar, vilket är mycket litet jämfört med vanliga bildmodeller som ofta har flera miljarder. Texten tolkas av en fryst Flan-T5-Base, och bilderna packas ihop och upp med Stable Diffusions VAE. Bilderna blir 256 × 256 pixlar.

Modellen tränades i tio omgångar på hela datasetet FLUX-Reason-6M, cirka 5,6 miljoner syntetiska bilder, på ett enda Nvidia H100-kort i ungefär nio timmar inklusive förberedelser. Enligt SupraLabs når den FID 27,9 och CLIP-poäng 29,4. Modellkortet kallar kvaliteten "SOTA", men jämför inte med andra modeller.

Vikterna är öppna under Apache 2.0 på Hugging Face. Det finns ingen färdig molntjänst; man kör modellen själv med ett skript.