【免费下载链接】Looped-DiT-B32项目地址：https://ai.gitcode.com/SenseNova/Looped-DiT-B32点击查看免费下载Looped-DiT-B32 是 SenseNova 开源的一款文生图扩散 Transformer（AI 绘图模型），当前仓库已提供训练 290k 步的 EMA 权重文件 looped-dit-b32.pt，但官方采样代码仍标注"coming soon"。本文将基于 README.md 中已透露的技术细节，预测官方采样代码的发布时间与形态，并展望 Looped-DiT 系列的后续路线图。一、当前仓库里已经有什么？目前仓库非常精简，只有两个核心文件：README.md—— 模型卡片（Model Card），完整描述了模型架构、训练方式与评测结果；looped-dit-b32.pt—— 约 1.04GB 的 EMA 权重检查点，通过 Git LFS 托管（见 .gitattributes 中*.pt的 LFS 配置）。从模型卡片可以提取出这些关键信息：项目说明任务文本生成图像（text-to-image）分辨率512 × 512，patch size 32结构[6,5,6] 块布局（pre-loop / looped / post-loop），中间 5 个 loop 块重复执行 4 次训练技巧Deep Supervision（每次循环都做预测监督）+ XSA 排他自注意力文本编码器冻结的 FLAN-T5-Large骨干网络像素空间 MMDiT（源自 MiniT2I）💡 一句话理解Looped（循环）设计：不堆更多参数，而是让同一组 Transformer 块"跑多圈"，模型变深但不变大，推理深度还可以随时调节——这是理解 Looped-DiT-B32 未来路线的钥匙。二、性能如何？先看官方基准分数模型卡片给出了 100 步 Euler 采样、classifier-free guidance 6.0、循环深度 4 下的表现：GenEvalDPG-BenchPRISMCoReBenchSpatialGenEvalTIIF-Short平均85.185.354.444.552.376.166.3GenEval 85.1 分在文生图模型中属于第一梯队水平，说明"循环共享"这套架构确实能换回实打实的生成质量，而不是纸面文章。三、官方采样代码发布预测发布信号已经非常明确README 的 Usage 章节其实已经把采样命令"剧透"了，只是链接尚未放出：hf download sensenova/Looped-DiT-B32 looped-dit-b32.pt --local-dir checkpoints python -m looped_dit.sample --checkpoint checkpoints/looped-dit-b32.pt \ --prompt "a red cube on top of a blue sphere" --out sample.png从这段命令可以做出三个高置信度判断：代码将以looped_ditPython 包/模块的形式发布，入口是sample子模块，命令行参数包括--checkpoint、--prompt、--out；支持--loops 1 2 3 4参数，一次渲染多种循环深度，且"其他深度无需重训即可工作"——推理时循环深度是可动态调节的核心特性；发布节奏不会太远。README 使用"link coming soon"而非"planned"这类远期表述，且检查点已稳定托管，通常意味着采样代码与官方 Demo 将在近期一同放出。新手提前准备清单✅ 先把检查点下载到本地（模型卡片已给出下载命令）；✅ 准备好 PyTorch 环境 + FLAN-T5-Large 文本编码器（权重来源为公开模型，采样代码大概率依赖它）；✅ 关注仓库动态，代码发布后第一时间对照 README 的 Usage 跑通第一条 prompt。四、路线图展望：Looped-DiT 系列下一步可能做什么基于"循环共享"架构的可扩展性，以下是几个可能性由大到小的方向：1. 循环深度蒸馏与加速（可能性高）当前默认 loop 深度为 4，但 100 步 Euler 采样本身并不快。由于任意深度都无需重训，官方很自然会探索少循环步数的蒸馏版本（如深度 2），用质量换速度，这是循环架构相对普通 DiT 的最大红利。2. 更多尺寸与检查点（可能性高）"B/32"这个命名强烈暗示后续会有不同 block 数（A/C/L 级）与不同 patch size（B/16 等更高分辨率版本）的检查点，形成完整的 Looped-DiT 模型家族。3. 微调生态：LoRA / DreamBooth 支持（可能性中）社区对 AI 绘图模型最旺盛的需求是个性化微调。以 MMDiT 骨干 + FLAN-T5 条件编码的组合，接入 LoRA 训练脚本是标准动作，预计会在社区需求驱动下出现。4. 工程化集成（可能性中）包括但不限于：主流 diffusion 推理框架的 pipeline 适配、WebUI 插件、ONNX/TensorRT 导出，让 Looped-DiT-B32 从"研究权重"变成"开箱即用的产品"。5. 训练代码与配方开源（可能性中低）Deep Supervision + XSA 是本文的技术核心，完整训练代码的开源将使该架构可复现，属于"锦上添花"级别。五、总结Looped-DiT-B32 用 [6,5,6] 循环块 + 深度监督 + XSA 的组合，证明了"共享权重跑多圈"是文生图扩散模型一条务实的加深路线；当前仓库已备好权重与完整模型卡片，官方采样代码随时可能落地，随后大概率迎来蒸馏加速版、更高分辨率检查点与微调生态。建议新手现在就把检查点下载好、环境准备好，第一时间体验这个"变深不变大"的 AI 绘图模型。赞分享【免费下载链接】Looped-DiT-B32项目地址：https://ai.gitcode.com/SenseNova/Looped-DiT-B32点击查看免费下载相关推荐Rao.Pics架构设计原理：Monorepo项目结构与模块化开发实践指南Rao.Pics架构设计原理：Monorepo项目结构与模块化开发实践指南 Rao.Pics作为一个创新的远程访问Eagle素材库工具，其架构设计采用了现代化的Looped-DiT-B32快速开始教程：3步生成你的第一张文生图AI绘画作品Looped DiT B32快速开始教程：3步生成你的第一张文生图AI绘画作品 Looped DiT B32 是 SenseNova 开源的文生图（text tLooped-DiT-B32采样参数完全清单：100步Euler、CFG 6.0等关键设置一次讲透Looped DiT B32采样参数完全清单：100步Euler、CFG 6.0等关键设置一次讲透 📌 Looped DiT B32（Looped DiT B上一篇：清华PPT模板终极指南：2025年学术演示的完整解决方案下一篇：如何用VisualCppRedist AIO简化Windows C++运行库管理创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
【免费下载链接】Looped-DiT-B32项目地址：https://ai.gitcode.com/SenseNova/Looped-DiT-B32点击查看免费下载Looped-DiT-B32 是 SenseNova 开源的一款文生图扩散 Transformer（AI 绘图模型），当前仓库已提供训练 290k 步的 EMA 权重文件 looped-dit-b32.pt，但官方采样代码仍标注"coming soon"。本文将基于 README.md 中已透露的技术细节，预测官方采样代码的发布时间与形态，并展望 Looped-DiT 系列的后续路线图。一、当前仓库里已经有什么？目前仓库非常精简，只有两个核心文件：README.md—— 模型卡片（Model Card），完整描述了模型架构、训练方式与评测结果；looped-dit-b32.pt—— 约 1.04GB 的 EMA 权重检查点，通过 Git LFS 托管（见 .gitattributes 中*.pt的 LFS 配置）。从模型卡片可以提取出这些关键信息：项目说明任务文本生成图像（text-to-image）分辨率512 × 512，patch size 32结构[6,5,6] 块布局（pre-loop / looped / post-loop），中间 5 个 loop 块重复执行 4 次训练技巧Deep Supervision（每次循环都做预测监督）+ XSA 排他自注意力文本编码器冻结的 FLAN-T5-Large骨干网络像素空间 MMDiT（源自 MiniT2I）💡 一句话理解Looped（循环）设计：不堆更多参数，而是让同一组 Transformer 块"跑多圈"，模型变深但不变大，推理深度还可以随时调节——这是理解 Looped-DiT-B32 未来路线的钥匙。二、性能如何？先看官方基准分数模型卡片给出了 100 步 Euler 采样、classifier-free guidance 6.0、循环深度 4 下的表现：GenEvalDPG-BenchPRISMCoReBenchSpatialGenEvalTIIF-Short平均85.185.354.444.552.376.166.3GenEval 85.1 分在文生图模型中属于第一梯队水平，说明"循环共享"这套架构确实能换回实打实的生成质量，而不是纸面文章。三、官方采样代码发布预测发布信号已经非常明确README 的 Usage 章节其实已经把采样命令"剧透"了，只是链接尚未放出：hf download sensenova/Looped-DiT-B32 looped-dit-b32.pt --local-dir checkpoints python -m looped_dit.sample --checkpoint checkpoints/looped-dit-b32.pt \ --prompt "a red cube on top of a blue sphere" --out sample.png从这段命令可以做出三个高置信度判断：代码将以looped_ditPython 包/模块的形式发布，入口是sample子模块，命令行参数包括--checkpoint、--prompt、--out；支持--loops 1 2 3 4参数，一次渲染多种循环深度，且"其他深度无需重训即可工作"——推理时循环深度是可动态调节的核心特性；发布节奏不会太远。README 使用"link coming soon"而非"planned"这类远期表述，且检查点已稳定托管，通常意味着采样代码与官方 Demo 将在近期一同放出。新手提前准备清单✅ 先把检查点下载到本地（模型卡片已给出下载命令）；✅ 准备好 PyTorch 环境 + FLAN-T5-Large 文本编码器（权重来源为公开模型，采样代码大概率依赖它）；✅ 关注仓库动态，代码发布后第一时间对照 README 的 Usage 跑通第一条 prompt。四、路线图展望：Looped-DiT 系列下一步可能做什么基于"循环共享"架构的可扩展性，以下是几个可能性由大到小的方向：1. 循环深度蒸馏与加速（可能性高）当前默认 loop 深度为 4，但 100 步 Euler 采样本身并不快。由于任意深度都无需重训，官方很自然会探索少循环步数的蒸馏版本（如深度 2），用质量换速度，这是循环架构相对普通 DiT 的最大红利。2. 更多尺寸与检查点（可能性高）"B/32"这个命名强烈暗示后续会有不同 block 数（A/C/L 级）与不同 patch size（B/16 等更高分辨率版本）的检查点，形成完整的 Looped-DiT 模型家族。3. 微调生态：LoRA / DreamBooth 支持（可能性中）社区对 AI 绘图模型最旺盛的需求是个性化微调。以 MMDiT 骨干 + FLAN-T5 条件编码的组合，接入 LoRA 训练脚本是标准动作，预计会在社区需求驱动下出现。4. 工程化集成（可能性中）包括但不限于：主流 diffusion 推理框架的 pipeline 适配、WebUI 插件、ONNX/TensorRT 导出，让 Looped-DiT-B32 从"研究权重"变成"开箱即用的产品"。5. 训练代码与配方开源（可能性中低）Deep Supervision + XSA 是本文的技术核心，完整训练代码的开源将使该架构可复现，属于"锦上添花"级别。五、总结Looped-DiT-B32 用 [6,5,6] 循环块 + 深度监督 + XSA 的组合，证明了"共享权重跑多圈"是文生图扩散模型一条务实的加深路线；当前仓库已备好权重与完整模型卡片，官方采样代码随时可能落地，随后大概率迎来蒸馏加速版、更高分辨率检查点与微调生态。建议新手现在就把检查点下载好、环境准备好，第一时间体验这个"变深不变大"的 AI 绘图模型。赞分享【免费下载链接】Looped-DiT-B32项目地址：https://ai.gitcode.com/SenseNova/Looped-DiT-B32点击查看免费下载相关推荐Rao.Pics架构设计原理：Monorepo项目结构与模块化开发实践指南Rao.Pics架构设计原理：Monorepo项目结构与模块化开发实践指南 Rao.Pics作为一个创新的远程访问Eagle素材库工具，其架构设计采用了现代化的Looped-DiT-B32快速开始教程：3步生成你的第一张文生图AI绘画作品Looped DiT B32快速开始教程：3步生成你的第一张文生图AI绘画作品 Looped DiT B32 是 SenseNova 开源的文生图（text tLooped-DiT-B32采样参数完全清单：100步Euler、CFG 6.0等关键设置一次讲透Looped DiT B32采样参数完全清单：100步Euler、CFG 6.0等关键设置一次讲透 📌 Looped DiT B32（Looped DiT B上一篇：清华PPT模板终极指南：2025年学术演示的完整解决方案下一篇：如何用VisualCppRedist AIO简化Windows C++运行库管理创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考