智譜技術(shù)團(tuán)隊(duì)今天宣布開源文生圖模型CogView3 及 CogView3-Plus-3B，該系列模型的能力已經(jīng)上線“智譜清言”App。

　　據(jù)介紹，CogView3 是一個(gè)基于級聯(lián)擴(kuò)散的 text2img 模型，其包含如下三個(gè)階段：

　　第一階段：利用標(biāo)準(zhǔn)擴(kuò)散過程生成 512x512 低分辨率的圖像。

　　第二階段：利用中繼擴(kuò)散過程，執(zhí)行 2 倍的超分辨率生成，從 512x512 輸入生成 1024x1024 的圖像。

　　第三階段：將生成結(jié)果再次基于中繼擴(kuò)散迭代，生成 2048×2048 高分辨率的圖像。

　　官方表示，在實(shí)際效果上，CogView3 在人工評估中比目前最先進(jìn)的開源文本到圖像擴(kuò)散模型 SDXL 高出 77.0%，同時(shí)只需要 SDXL 大約 1/10 的推理時(shí)間。

　　CogView3-Plus 模型則在 CogView3(ECCV'24)的基礎(chǔ)上引入了最新的 DiT 框架，以實(shí)現(xiàn)整體性能的進(jìn)一步提升。據(jù)介紹，其采用 Zero-SNR 擴(kuò)散噪聲調(diào)度，并引入了文本-圖像聯(lián)合注意力機(jī)制。與常用的 MMDiT 結(jié)構(gòu)相比，它在保持模型基本能力的同時(shí)，有效降低訓(xùn)練和推理成本。CogView-3Plus 使用潛在維度為 16 的 VAE。