Ostris
PulseAugur coverage of Ostris — every cluster mentioning Ostris across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
H3 Image 模型面临 VAE 问题，用户报告
Reddit 上的一位用户报告称，据 Ostris 称，H3 Image 模型在变分自编码器 (VAE) 方面存在问题。此问题可能会影响该模型生成连贯或准确图像的能力。
-
Ostris 训练 MOSS Image 使用 Primal VAE 以实现高效的 4K 图像生成
Ostris 正在开发 MOSS Image，这是一个利用 Primal VAE 的新 AI 模型。此次集成旨在生成高分辨率的 4K 图像，同时保持通常与 1080p 图像生成相关的计算效率。这紧随 Ostris 最近发布的 Primal VAE 之后，该 VAE 因其在性能上优于 Flux.2 等先前 VAE 而受到关注。
-
Ostris发布Primal VAE，提升图像生成效率
Ostris发布了Primal VAE，这是一种用于图像生成模型的新型变分自编码器。该VAE通过对单个通道进行2倍空间下采样来工作，当与patching结合时，在16个通道下可实现8倍下采样，类似于其他现代VAE，但没有深度压缩。Primal VAE经过训练，使其范数与噪声保持一致，无需缩放因子、移位因子或潜在空间归一化。
-
Ostris 发布 Primal-VAE 以进行先进的生成模型预训练
Ostris 推出了 Primal-VAE，这是一种用于预训练的新型变分自编码器模型。该模型的强大功能通过视觉示例得到展示，预示着生成式AI预训练方法可能取得的进展。
-
国产5B图像模型MOSS-Image在海外走红 · 追踪到1个来源
一款由中国开发的5B参数图像生成模型MOSS-Image，在海外迅速走红，仅用四天时间下载量就超过了130万次。该模型因其自然的图像输出而受到赞誉，这归功于其训练数据排除了AI生成的图像。开发者们正在积极创建衍生版本，并探索其在文本渲染、布局控制和处理复杂提示方面的能力，一些人甚至将其与Stable Diffusion XL等成熟模型相媲美。
-
StableDiffusion 用户分享 1k MiniMax H3 风格和提示词
一位 Reddit 用户分享了一个包含 1,000 种 MiniMax H3 风格及其提示词的合集，可用于 StableDiffusion。这些风格和提示词由用户 'ostris' 通过 Hugging Face 数据集链接提供。该资源似乎是用户尝试 AI 图像生成中各种美学风格的宝贵工具。
-
新的 StableDiffusion LoRA 模型 '1 Step Minimax H3' 即将发布
一款名为“1 Step Minimax H3”的新 LoRA（Low-Rank Adaptation，低秩适配）模型即将发布，由 Ostris 开发。该模型专为 StableDiffusion 设计，这是一个开源的文本到图像生成平台。
-
Ostris AI 照明AI工具集面临访问问题
Ostris AI 发布了一个专注于照明AI的工具集，但用户在使用时遇到了访问困难。一位用户报告称无法使用其基于网络的界面或链接，并正在寻找其他访问方式，例如笔记本。该用户表示希望利用剩余的积分来使用该工具。
-
HiDream-O1-Image：创新架构，开源图像生成结果喜忧参半
HiDream-O1-Image 是一款开源文生图模型，尽管在Artificial Analysis排行榜上名列前茅，但评价褒贬不一。其创新的UiT架构，在统一的token空间中处理像素、文本和任务条件，减少了信息损失并提高了效率，使其8B参数能够媲美参数量远超其规模的模型，如Qwen Image 27B。然而，这种新颖的架构与Stable Diffusion的LoRA和ControlNet等现有生态系统不兼容，并且在复杂指令遵循、上…
-
StableDiffusion 用户分享自定义“BOOGU”卡通风格 LoRA 测试
一位 Reddit 用户分享了为“BOOGU”卡通风格训练的自定义 LoRA（低秩适配）模型的初步测试结果。该 LoRA 使用 Ostris 在 Runpod 上的 AI_Toolkit 开发，所有生成的图像均使用基础模型。训练过程涉及 112 张图像的数据集，并通过 Pastebin 链接分享了配置详情。
-
Stable Diffusion 用户测试自定义卡通风格 LoRA 和排版工具
Reddit 上的用户正在分享他们使用 Stable Diffusion 的自定义卡通风格 LoRA “Boogu” 的体验。一位用户详细介绍了使用 Ostris 的 AI_Toolkit 在 Runpod 上以 112 张图片的数据集进行训练的过程。另一位用户正在使用相关的工具“Boogu Turbo”试验不同的排版风格。
-
Ostris发布Ideogram 4 Turbo LoRA，加速图像生成
Ostris发布了Ideogram 4 Turbo的LoRA（Low-Rank Adaptation）模型，旨在显著减少图像生成步数。该LoRA模型可在短短2到8步内生成高质量图像，无需CFG或无条件模型。开发者还在完善一种连续的Turbo训练方法，这可能会带来未来的更新。
-
Ideogram 4 显存 hack 使用 Differential LoRA 减半使用量
Ostris 开发的一种名为 Differential LoRA 的新技术，旨在降低使用 Ideogram 4 的显存要求。该方法提取 Ideogram 4 的条件模型和无条件模型权重之间的差异，然后进行微调。生成的 LoRA 可以替代完整的无条件模型，有效减半显存使用量，同时保持可比的图像质量。
-
轻松在本地创建自定义Stable Diffusion角色LoRA
一位Reddit用户分享了一种在本地为Stable Diffusion创建自定义角色LoRA（Low-Rank Adaptation）的简单方法。该过程包括生成一个基础角色图像，使用Flux2Klein和BFS Lora等特定模型进行换脸技术来创建数据集，然后使用ostris的ai-toolkit等工具训练LoRA。用户建议大约20张图像足以构成一个好的数据集。