大模型人工智能媒体生成计算机视觉基础模型本地部署【免费下载链接】Nanosaur2-670M项目地址https://ai.gitcode.com/hf_mirrors/well9472/Nanosaur2-670M点击查看免费下载Nanosaur2-670M 是一个仅花 600 美元算力训练出的670M 参数插画文生图 DiTDiffusion Transformer模型。本文带你拆解它最值得学习的四个设计SPRINT 稀疏块、2D RoPE、QK-norm 和极致精简的参数哲学帮你理解小模型如何逼近大模型的出图效果。 项目概览670M 参数的三大组件Nanosaur2 由三个文件组成各司其职组件说明模型文件扩散模型670M 参数 DiTadaLN-single 2D RoPE SwiGLU QK-norm SPRINT 稀疏块nanosaur2_diffusion_model.safetensors文本编码器冻结的 Gemma3-270M取倒数第二层输出nanosaur2_text_encoder.safetensorsVAE基于 DINOv2 的语义 VAE129M64 通道 latent、16 倍下采样nanosaur2_vae.safetensors核心结构定义在 model.py 的Nanosaur2Transformer2DModel中hidden_size1536、16 个注意力头、18 个 DiT 块、MLP 隐层 4096。推理时用 nanosaur2_workflow.json 拖入 ComfyUI 即可运行效果大致如下PNG 文件内嵌了 ComfyUI 工作流拖入 ComfyUI 即可加载。⚡ SPRINT 稀疏块让中间 14 层省着算SPRINTSparse-Dense Residual Fusion是这个模型最核心的加速手段。18 个 DiT 块被切成三段前 2 个块常规稠密前向中间 14 个块SPRINT_NUM_F2到倒数第 2 块走一条稀疏路径后 2 个块常规稠密前向。稀疏路径的实现见 model.py 的sparse_path中间块的输出g与输入x相减再经一个轻量投影加回主干——x sprint_out_proj(g - x)。也就是说中间层只负责修正残差主干信息始终直通计算被大幅摊薄。更妙的是它与采样的配合sparse_skip参数model.py允许某一批次整体跳过中间 14 块。训练时文本被丢弃的无条件样本有 50% 概率跳过稀疏块条件样本只有 5% 概率跳过——模型因此学会了一条无文本、无中间块的廉价前向路径供推理时做 path-drop guidance。采样阶段 CFG 与 path-drop 交替使用alternate模式推荐奇数步直接省掉一半计算。三种模式在 nodes.py 的GUIDANCE_MODES中定义。 2D RoPE给图像 token 装上平面坐标系文本 token 是一维序列但图像 latent 是二维网格。model.py 的rope_2d把 head_dim 拆成两半一半编码 x 方向频率一半编码 y 方向频率且坐标以图像中心为原点arange - (size - 1) / 2。配合 split-half 旋转配对model.py 的rope_split_half每个 token 在注意力中天然携带我位于图像哪个方位的信息。以图像中心为原点的做法让 RoPE 对任意 aspect bucket512x2048 到 2048x512都保持对称性这也是模型能直接支持多种宽高比、无需位置插值的原因。️ QK-norm小模型的注意力稳定器Attention 模块中q_norm和k_norm是作用于每个注意力头的 RMSNorm在 RoPE 旋转之前对 Q、K 归一化见 model.py 的norm_rope。QK-norm 能防止注意力 logits 随训练发散是 ViT-22B 等大规模视觉 Transformer 验证过的技巧。对 670M 这样的小模型尤其重要它让短训练预算下的注意力分布更平稳减少后期画风漂移。另外注意一个细节文本 key 同样过k_norm但不做旋转model.py因为文本 token 没有空间位置。 670M 参数设计哲学每一分算力都花在刀刃上小模型的哲学不是少而精地堆模块而是把成熟设计组合到最简adaLN-single 条件注入全模型只有一条共享的 adaLN 线性层每块用可学习偏移encoder_adaLN_offsets区分model.py。相比每块独立的调制层参数几乎不增时间步与文本池化条件condition silu(t pooled)仍能有效注入。文本自注意力精修2 个TextRefineBlock先让文本 token 做自注意力再进入图像块做交叉注意力小预算下提升提示词遵循度。自定义提示词加权(artist:4)这类权重不是放大 embedding而是转换为对数偏置加在交叉注意力的 mask 上txt_biasmodel.py解析逻辑见 text_encoder.py 的parse_prompt_emphasis。x-prediction 输出最后一层直接预测干净图像x0再由(x - x0) / t换算成速度场model.py配合 logit-normal 时间步采样与 10% caption dropout训练更稳。语义 VAE 打配合VAE 编码端是 DINOv2-B64 维 latent 瓶颈、无像素损失vae.py。语义化的 latent 收敛更快670M 的扩散模型学起来更容易这是小总预算下质量的关键。训练总成本4M 插画数据集 11 个 H100 天全程 256→512→1024 渐进式分辨率见 README.md 的 Training 部分。 快速上手LoRA 微调与推荐参数推理参数Euler simple、50 steps、CFG 4、shift 3内置于模型配置 nodes.py正提示词前缀newest, masterpiece负提示词前缀oldest, low quality。LoRA 训练准备一个带同名.txt描述的文件夹运行uv run python custom_nodes/nanosaur2_support/train_lora.py /path/to/images脚本 train_lora.py 默认 rank 64覆盖qkv_x、kv_y、proj等层train_lora.py并复刻了基础训练的 5%/50% 稀疏块丢弃策略产出models/loras/folder name.safetensors。 总结Nanosaur2-670M 证明了在语义 VAE 稀疏块 稳定化技巧的加持下670M 参数 600 美元的训练预算也能产出可用的插画文生图模型。它的每个设计选择——SPRINT 残差融合、以中心为原点的 2D RoPE、注意力头级 QK-norm、adaLN-single——都是低成本、高收益的经典组合值得所有做小模型 DiT 的实践者研读 nanosaur2_support/ 源码。赞分享大模型人工智能媒体生成计算机视觉基础模型本地部署【免费下载链接】Nanosaur2-670M项目地址https://ai.gitcode.com/hf_mirrors/well9472/Nanosaur2-670M点击查看免费下载相关推荐Nanosaur2-670M推理加速内幕SPRINT稀疏-稠密残差融合与path-drop引导如何省算力Nanosaur2 670M推理加速内幕SPRINT稀疏 稠密残差融合与path drop引导如何省算力 Nanosaur2 670M 是一个 670M 参大模型人工智能媒体生成计算机视觉基础模型本地部署如何只用600美元训练670M文生图DiT模型Nanosaur2-670M Rectified Flow训练方案完整复盘如何只用600美元训练670M文生图DiT模型Nanosaur2 670M Rectified Flow训练方案完整复盘 Nanosaur2 670M 是一个大模型人工智能媒体生成计算机视觉基础模型本地部署670M参数能做什么、做不到什么Nanosaur2-670M能力与局限全盘点2B版未来可期670M参数能做什么、做不到什么Nanosaur2 670M能力与局限全盘点2B版未来可期 Nanosaur2 670M 是一款仅用约 600 美元算力训练大模型人工智能媒体生成计算机视觉基础模型本地部署创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考