Mage-Flow

Charakterystyka Mage-Flow

Mage-Flow to lekki, badawczy model Microsoft do generowania obrazów z tekstu oraz edycji obrazu na podstawie instrukcji. Rodzina działa przy budżecie około czterech miliardów parametrów i łączy własny tokenizer latentny Mage-VAE z multimodalnym transformatorem dyfuzyjnym uczonym metodą rectified flow. Celem projektu jest uzyskanie wysokiej jakości bez wymagań obliczeniowych typowych dla znacznie większych otwartych generatorów.

Warianty i możliwości

• Base do generowania w 30 krokach oraz wersja RL-aligned w 20 krokach;
• Turbo zdestylowany do czterech kroków dla szybkiego tworzenia obrazu;
• osobne warianty Edit do zmiany treści, wyglądu, odtwarzania i edycji strukturalnej;
• natywne rozdzielczości od 512 do 2048 pikseli i różne proporcje, także 4:1.

Repozytorium udostępnia interfejs Python, CLI i aplikację Gradio, ale lokalna instalacja wymaga zgodnego środowiska PyTorch, CUDA i flash-attn. Wydajność zależy od wariantu, liczby kroków i sprzętu. Deklarowane porównania jakości pochodzą od autorów modelu i nie zastępują testu na własnych promptach. Kod i model Mage-Flow są udostępniane na licencji MIT, co upraszcza eksperymenty oraz wdrożenia, przy zachowaniu odpowiedzialności za wygenerowane treści.

Źródło: oficjalne repozytorium Microsoft Mage.