WeLM-Image：面向视觉智能的统一图像生成模型
WeLM-Image 将多模态理解整合到文本生成图像、指令引导编辑和多参考图合成中。其架构将文本、参考图像和图像潜变量作为交错序列处理，并针对单张 GPU 部署进行设计。模型包含 317 亿个存储参数，生成时每个目标潜变量 token 约激活 54 亿个参数。根据公布的对比结果，1536 分辨率版本在 PRISM-Bench、Qwen-Image-Bench 和 UnicBench 上位列受测开源模型第一。经过蒸馏的 Turbo 版本可在单张 NVIDIA H20 GPU 上用 4.98 秒生成一张 1024 × 1024 图像。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。