[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-FoundationVision--LlamaGen":3,"tool-FoundationVision--LlamaGen":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",156804,2,"2026-04-15T11:34:33",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":103,"github_topics":104,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":112,"updated_at":113,"faqs":114,"releases":149},7838,"FoundationVision\u002FLlamaGen","LlamaGen","Autoregressive Model Beats Diffusion: 🦙 Llama for Scalable Image Generation","LlamaGen 是一个开创性的图像生成开源项目，它成功将大型语言模型（如 Llama）核心的“下一个词预测”自回归范式迁移到了视觉领域。该项目旨在验证一个关键假设：即使不依赖针对图像设计的特殊归纳偏置，只要通过合理的扩展策略和数据优化，纯粹的自回归模型也能在图像生成质量上超越当前主流的扩散模型（Diffusion Models）。\n\nLlamaGen 主要解决了传统观点中认为自回归模型难以处理高分辨率、复杂视觉信号的难题。通过重新设计图像分词器（Tokenizer）并大规模训练不同参数量（从 1 亿到 30 亿）的模型，它在 ImageNet 等基准测试中取得了极具竞争力的 FID 分数，证明了该路线的可扩展性和高效性。此外，项目还集成了 vLLM 推理框架，显著提升了生成速度。\n\n这款工具非常适合 AI 研究人员、深度学习开发者以及对新一代生成式架构感兴趣的技术专家。研究人员可以利用其开放的代码和预训练权重，深入探索自回归模型在视觉任务中的潜力；开发者则能基于其高效的推理支持，构建快速响应的图像生成应用。虽然普通用户也可通过在线演示体验效果，但其核心价值在于为社区提供了一套验证“大","LlamaGen 是一个开创性的图像生成开源项目，它成功将大型语言模型（如 Llama）核心的“下一个词预测”自回归范式迁移到了视觉领域。该项目旨在验证一个关键假设：即使不依赖针对图像设计的特殊归纳偏置，只要通过合理的扩展策略和数据优化，纯粹的自回归模型也能在图像生成质量上超越当前主流的扩散模型（Diffusion Models）。\n\nLlamaGen 主要解决了传统观点中认为自回归模型难以处理高分辨率、复杂视觉信号的难题。通过重新设计图像分词器（Tokenizer）并大规模训练不同参数量（从 1 亿到 30 亿）的模型，它在 ImageNet 等基准测试中取得了极具竞争力的 FID 分数，证明了该路线的可扩展性和高效性。此外，项目还集成了 vLLM 推理框架，显著提升了生成速度。\n\n这款工具非常适合 AI 研究人员、深度学习开发者以及对新一代生成式架构感兴趣的技术专家。研究人员可以利用其开放的代码和预训练权重，深入探索自回归模型在视觉任务中的潜力；开发者则能基于其高效的推理支持，构建快速响应的图像生成应用。虽然普通用户也可通过在线演示体验效果，但其核心价值在于为社区提供了一套验证“大语言模型架构通用于视觉生成”的完整方案。","# Autoregressive Model Beats Diffusion: 🦙 Llama for Scalable Image Generation\n\n\n\u003Cdiv align=\"center\">\n\n[![demo](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-Online_Demo-blue)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FFoundationVision\u002FLlamaGen) \n[![arXiv](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv%20paper-2406.06525-b31b1b.svg)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2406.06525) \n[![project page](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FProject_page-More_visualizations-green)](https:\u002F\u002Fpeizesun.github.io\u002Fllamagen\u002F) \n\n\u003C\u002Fdiv>\n\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFoundationVision_LlamaGen_readme_b58404255280.jpg\" width=95%>\n\u003Cp>\n\n\n\nThis repo contains pre-trained model weights and training\u002Fsampling PyTorch(torch>=2.1.0) codes used in\n\n> [**Autoregressive Model Beats Diffusion: Llama for Scalable Image Generation**](https:\u002F\u002Farxiv.org\u002Fabs\u002F2406.06525)\u003Cbr>\n> [Peize Sun](https:\u002F\u002Fpeizesun.github.io\u002F), [Yi Jiang](https:\u002F\u002Fenjoyyi.github.io\u002F), [Shoufa Chen](https:\u002F\u002Fwww.shoufachen.com\u002F), [Shilong Zhang](https:\u002F\u002Fjshilong.github.io\u002F), [Bingyue Peng](), [Ping Luo](http:\u002F\u002Fluoping.me\u002F), [Zehuan Yuan](https:\u002F\u002Fshallowyuan.github.io\u002F)\n> \u003Cbr>HKU, ByteDance\u003Cbr>\n\nYou can find more visualizations on [![project page](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FProject_page-More_visualizations-green)](https:\u002F\u002Fpeizesun.github.io\u002Fllamagen\u002F)\n\n## 🔥 Update\n- [2024.06.28] Image tokenizers and AR models for text-conditional image generation are released ! Try it !\n- [2024.06.15] All models ranging from 100M to 3B parameters are supported by vLLM ! \n- [2024.06.11] Image tokenizers and AR models for class-conditional image generation are released !\n- [2024.06.11] Code and Demo are released !\n\n## 🌿 Introduction\nWe introduce LlamaGen, a new family of image generation models that apply original ``next-token prediction`` paradigm of large language models to visual generation domain. It is an affirmative answer to whether vanilla autoregressive models, e.g., Llama, ``without inductive biases`` on visual signals can achieve state-of-the-art image generation performance if scaling properly. We reexamine design spaces of image tokenizers, scalability properties of image generation models, and their training data quality.\n\nIn this repo, we release:\n* Two image tokenizers of downsample ratio 16 and 8.\n* Seven class-conditional generation models ranging from 100M to 3B parameters.\n* Two text-conditional generation models of 700M parameters.\n* Online demos in  [![Hugging Face Spaces](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-Spaces-blue)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FFoundationVision\u002FLlamaGen) for running pre-trained models.\n* Supported vLLM serving framework to enable 300% - 400% speedup.\n\n## 🦄 Class-conditional image generation on ImageNet\n### VQ-VAE models\nMethod | params | tokens | rFID (256x256) | weight\n--- |:---:|:---:|:---:|:---:\nvq_ds16_c2i | 72M | 16x16 | 2.19 | [vq_ds16_c2i.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fvq_ds16_c2i.pt) \nvq_ds16_c2i | 72M | 24x24 | 0.94 | above\nvq_ds16_c2i | 72M | 32x32 | 0.70 | above\nvq_ds8_c2i  | 70M | 32x32 | 0.59 | [vq_ds8_c2i.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fvq_ds8_c2i.pt)\n\n### AR models\nMethod | params | training | tokens | FID (256x256) | weight \n--- |:---:|:---:|:---:|:---:|:---:|\nLlamaGen-B   | 111M | DDP | 16x16 | 5.46 | [c2i_B_256.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fc2i_B_256.pt)\nLlamaGen-B   | 111M | DDP | 24x24 | 6.09 | [c2i_B_384.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fc2i_B_384.pt)\nLlamaGen-L   | 343M | DDP | 16x16 | 3.80 | [c2i_L_256.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fc2i_L_256.pt)\nLlamaGen-L   | 343M | DDP | 24x24 | 3.07 | [c2i_L_384.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fc2i_L_384.pt)\nLlamaGen-XL  | 775M | DDP | 24x24 | 2.62 | [c2i_X_384L.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fc2i_XL_384.pt)\nLlamaGen-XXL | 1.4B | FSDP | 24x24 | 2.34 | [c2i_XXL_384.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fc2i_XXL_384.pt)\nLlamaGen-3B  | 3.1B | FSDP | 24x24 | 2.18 | [c2i_3B_384.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fc2i_3B_384.pt)\n\n\n### Demo\nPlease download models, put them in the folder `.\u002Fpretrained_models`, and run\n```\npython3 autoregressive\u002Fsample\u002Fsample_c2i.py --vq-ckpt .\u002Fpretrained_models\u002Fvq_ds16_c2i.pt --gpt-ckpt .\u002Fpretrained_models\u002Fc2i_L_384.pt --gpt-model GPT-L --image-size 384\n# or\npython3 autoregressive\u002Fsample\u002Fsample_c2i.py --vq-ckpt .\u002Fpretrained_models\u002Fvq_ds16_c2i.pt --gpt-ckpt .\u002Fpretrained_models\u002Fc2i_XXL_384.pt --gpt-model GPT-XXL --from-fsdp --image-size 384\n```\nThe generated images will be saved to `sample_c2i.png`.\n\n### Gradio Demo \u003Ca href='https:\u002F\u002Fgithub.com\u002Fgradio-app\u002Fgradio'>\u003Cimg src='https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fgradio-app\u002Fgradio'>\u003C\u002Fa>\n\nYou can use our online gradio demo [![Hugging Face Spaces](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-Spaces-blue)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FFoundationVision\u002FLlamaGen) or run gradio locally:\n```bash\npython app.py\n```\n\n\n## 🚀 Text-conditional image generation\n### VQ-VAE models\nMethod | params | tokens | data | weight\n--- |:---:|:---:|:---:|:---:\nvq_ds16_t2i | 72M | 16x16 | LAION COCO (50M) + internal data (10M) | [vq_ds16_t2i.pt](https:\u002F\u002Fhuggingface.co\u002Fpeizesun\u002Fllamagen_t2i\u002Fresolve\u002Fmain\u002Fvq_ds16_t2i.pt)\n\n### AR models\nMethod | params | tokens | data | weight \n--- |:---:|:---:|:---:|:---:\nLlamaGen-XL  | 775M | 16x16 | LAION COCO (50M) | [t2i_XL_stage1_256.pt](https:\u002F\u002Fhuggingface.co\u002Fpeizesun\u002Fllamagen_t2i\u002Fresolve\u002Fmain\u002Ft2i_XL_stage1_256.pt)\nLlamaGen-XL  | 775M | 32x32 | internal data (10M) | [t2i_XL_stage2_512.pt](https:\u002F\u002Fhuggingface.co\u002Fpeizesun\u002Fllamagen_t2i\u002Fresolve\u002Fmain\u002Ft2i_XL_stage2_512.pt)\n\n### Demo\nBefore running demo, please refer to [language readme](language\u002FREADME.md) to install the required packages and language models.  \n\nPlease download models, put them in the folder `.\u002Fpretrained_models`, and run\n```\npython3 autoregressive\u002Fsample\u002Fsample_t2i.py --vq-ckpt .\u002Fpretrained_models\u002Fvq_ds16_t2i.pt --gpt-ckpt .\u002Fpretrained_models\u002Ft2i_XL_stage1_256.pt --gpt-model GPT-XL --image-size 256\n# or\npython3 autoregressive\u002Fsample\u002Fsample_t2i.py --vq-ckpt .\u002Fpretrained_models\u002Fvq_ds16_t2i.pt --gpt-ckpt .\u002Fpretrained_models\u002Ft2i_XL_stage2_512.pt --gpt-model GPT-XL --image-size 512\n```\nThe generated images will be saved to `sample_t2i.png`.\n\n### Local Gradio Demo\n\n\n\n## ⚡ Serving\nWe use serving framework [vLLM](https:\u002F\u002Fgithub.com\u002Fvllm-project\u002Fvllm) to enable higher throughput. Please refer to [serving readme](autoregressive\u002Fserve\u002FREADME.md) to install the required packages.  \n```\npython3 autoregressive\u002Fserve\u002Fsample_c2i.py --vq-ckpt .\u002Fpretrained_models\u002Fvq_ds16_c2i.pt --gpt-ckpt .\u002Fpretrained_models\u002Fc2i_XXL_384.pt --gpt-model GPT-XXL --from-fsdp --image-size 384\n```\nThe generated images will be saved to `sample_c2i_vllm.png`.\n\n\n## Getting Started\nSee [Getting Started](GETTING_STARTED.md) for installation, training and evaluation.\n\n\n## License\nThe majority of this project is licensed under MIT License. Portions of the project are available under separate license of referred projects, detailed in corresponding files.\n\n\n## BibTeX\n```bibtex\n@article{sun2024autoregressive,\n  title={Autoregressive Model Beats Diffusion: Llama for Scalable Image Generation},\n  author={Sun, Peize and Jiang, Yi and Chen, Shoufa and Zhang, Shilong and Peng, Bingyue and Luo, Ping and Yuan, Zehuan},\n  journal={arXiv preprint arXiv:2406.06525},\n  year={2024}\n}\n```\n","# 自回归模型超越扩散模型：🦙 Llama 用于可扩展图像生成\n\n\n\u003Cdiv align=\"center\">\n\n[![demo](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-Online_Demo-blue)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FFoundationVision\u002FLlamaGen) \n[![arXiv](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv%20paper-2406.06525-b31b1b.svg)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2406.06525) \n[![project page](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FProject_page-More_visualizations-green)](https:\u002F\u002Fpeizesun.github.io\u002Fllamagen\u002F) \n\n\u003C\u002Fdiv>\n\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFoundationVision_LlamaGen_readme_b58404255280.jpg\" width=95%>\n\u003Cp>\n\n\n\n此仓库包含预训练模型权重以及用于以下研究的 PyTorch（torch>=2.1.0）训练和采样代码：\n\n> [**自回归模型超越扩散模型：Llama 用于可扩展图像生成**](https:\u002F\u002Farxiv.org\u002Fabs\u002F2406.06525)\u003Cbr>\n> 孙培泽 ([Peize Sun](https:\u002F\u002Fpeizesun.github.io\u002F))、姜毅 ([Yi Jiang](https:\u002F\u002Fenjoyyi.github.io\u002F))、陈守法 ([Shoufa Chen](https:\u002F\u002Fwww.shoufachen.com\u002F))、张士龙 ([Shilong Zhang](https:\u002F\u002Fjshilong.github.io\u002F))、彭冰悦 ()、罗平 ([Ping Luo](http:\u002F\u002Fluoping.me\u002F))、袁泽寰 ([Zehuan Yuan](https:\u002F\u002Fshallowyuan.github.io\u002F))\n> 香港大学、字节跳动\u003Cbr>\n\n更多可视化效果请访问 [![project page](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FProject_page-More_visualizations-green)](https:\u002F\u002Fpeizesun.github.io\u002Fllamagen\u002F)\n\n## 🔥 更新\n- [2024.06.28] 文本条件图像生成的图像编码器和自回归模型已发布！快来试试吧！\n- [2024.06.15] vLLM 已支持从 1 亿到 30 亿参数的所有模型！\n- [2024.06.11] 类别条件图像生成的图像编码器和自回归模型已发布！\n- [2024.06.11] 代码和演示已发布！\n\n## 🌿 简介\n我们推出了 LlamaGen，这是一个全新的图像生成模型家族，它将大型语言模型中原始的“下一个词预测”范式应用于视觉生成领域。这有力地回答了这样一个问题：如果经过适当的规模扩展，像 Llama 这样的纯自回归模型——即对视觉信号“没有归纳偏置”的模型——是否能够达到最先进的图像生成性能？我们重新审视了图像编码器的设计空间、图像生成模型的可扩展性特性及其训练数据的质量。\n\n在本仓库中，我们发布了：\n* 下采样比例为 16 和 8 的两种图像编码器。\n* 七种从 1 亿到 30 亿参数不等的类别条件生成模型。\n* 两种 7 亿参数的文本条件生成模型。\n* 在 [![Hugging Face Spaces](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-Spaces-blue)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FFoundationVision\u002FLlamaGen) 上提供的在线演示，用于运行预训练模型。\n* 支持 vLLM 服务框架，可实现 300%–400% 的加速。\n\n## 🦄 ImageNet 上的类别条件图像生成\n### VQ-VAE 模型\n方法 | 参数 | 编码 | rFID (256x256) | 权重\n--- |:---:|:---:|:---:|:---:\nvq_ds16_c2i | 72M | 16x16 | 2.19 | [vq_ds16_c2i.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fvq_ds16_c2i.pt) \nvq_ds16_c2i | 72M | 24x24 | 0.94 | 上述\nvq_ds16_c2i | 72M | 32x32 | 0.70 | 上述\nvq_ds8_c2i  | 70M | 32x32 | 0.59 | [vq_ds8_c2i.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fvq_ds8_c2i.pt)\n\n### AR 模型\n方法 | 参数 | 训练 | 编码 | FID (256x256) | 权重 \n--- |:---:|:---:|:---:|:---:|:---:|\nLlamaGen-B   | 111M | DDP | 16x16 | 5.46 | [c2i_B_256.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fc2i_B_256.pt)\nLlamaGen-B   | 111M | DDP | 24x24 | 6.09 | [c2i_B_384.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fc2i_B_384.pt)\nLlamaGen-L   | 343M | DDP | 16x16 | 3.80 | [c2i_L_256.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fc2i_L_256.pt)\nLlamaGen-L   | 343M | DDP | 24x24 | 3.07 | [c2i_L_384.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fc2i_L_384.pt)\nLlamaGen-XL  | 775M | DDP | 24x24 | 2.62 | [c2i_X_384L.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fc2i_XL_384.pt)\nLlamaGen-XXL | 1.4B | FSDP | 24x24 | 2.34 | [c2i_XXL_384.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fc2i_XXL_384.pt)\nLlamaGen-3B  | 3.1B | FSDP | 24x24 | 2.18 | [c2i_3B_384.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fc2i_3B_384.pt)\n\n\n### 演示\n请下载模型，将其放入 `.\u002Fpretrained_models` 文件夹中，然后运行：\n```\npython3 autoregressive\u002Fsample\u002Fsample_c2i.py --vq-ckpt .\u002Fpretrained_models\u002Fvq_ds16_c2i.pt --gpt-ckpt .\u002Fpretrained_models\u002Fc2i_L_384.pt --gpt-model GPT-L --image-size 384\n# 或\npython3 autoregressive\u002Fsample\u002Fsample_c2i.py --vq-ckpt .\u002Fpretrained_models\u002Fvq_ds16_c2i.pt --gpt-ckpt .\u002Fpretrained_models\u002Fc2i_XXL_384.pt --gpt-model GPT-XXL --from-fsdp --image-size 384\n```\n生成的图像将保存为 `sample_c2i.png`。\n\n### Gradio 演示 \u003Ca href='https:\u002F\u002Fgithub.com\u002Fgradio-app\u002Fgradio'>\u003Cimg src='https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fgradio-app\u002Fgradio'>\u003C\u002Fa>\n\n您也可以使用我们的在线 Gradio 演示 [![Hugging Face Spaces](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Hugging%20Face-Spaces-blue)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FFoundationVision\u002FLlamaGen) 或在本地运行：\n```bash\npython app.py\n```\n\n\n## 🚀 文本条件图像生成\n### VQ-VAE 模型\n方法 | 参数 | 编码 | 数据 | 权重\n--- |:---:|:---:|:---:|:---:\nvq_ds16_t2i | 72M | 16x16 | LAION COCO (50M) + 内部数据 (10M) | [vq_ds16_t2i.pt](https:\u002F\u002Fhuggingface.co\u002Fpeizesun\u002Fllamagen_t2i\u002Fresolve\u002Fmain\u002Fvq_ds16_t2i.pt)\n\n### AR 模型\n方法 | 参数 | 编码 | 数据 | 权重 \n--- |:---:|:---:|:---:|:---:\nLlamaGen-XL  | 775M | 16x16 | LAION COCO (50M) | [t2i_XL_stage1_256.pt](https:\u002F\u002Fhuggingface.co\u002Fpeizesun\u002Fllamagen_t2i\u002Fresolve\u002Fmain\u002Ft2i_XL_stage1_256.pt)\nLlamaGen-XL  | 775M | 32x32 | 内部数据 (10M) | [t2i_XL_stage2_512.pt](https:\u002F\u002Fhuggingface.co\u002Fpeizesun\u002Fllamagen_t2i\u002Fresolve\u002Fmain\u002Ft2i_XL_stage2_512.pt)\n\n### 演示\n在运行演示之前，请参阅 [语言说明文档](language\u002FREADME.md) 以安装所需的软件包和语言模型。\n\n请下载模型，将其放入 `.\u002Fpretrained_models` 文件夹中，然后运行：\n```\npython3 autoregressive\u002Fsample\u002Fsample_t2i.py --vq-ckpt .\u002Fpretrained_models\u002Fvq_ds16_t2i.pt --gpt-ckpt .\u002Fpretrained_models\u002Ft2i_XL_stage1_256.pt --gpt-model GPT-XL --image-size 256\n# 或\npython3 autoregressive\u002Fsample\u002Fsample_t2i.py --vq-ckpt .\u002Fpretrained_models\u002Fvq_ds16_t2i.pt --gpt-ckpt .\u002Fpretrained_models\u002Ft2i_XL_stage2_512.pt --gpt-model GPT-XL --image-size 512\n```\n生成的图像将保存为 `sample_t2i.png`。\n\n### 本地 Gradio 演示\n\n\n\n## ⚡ 服务\n我们使用服务框架 [vLLM](https:\u002F\u002Fgithub.com\u002Fvllm-project\u002Fvllm) 来提高吞吐量。请参阅 [服务说明文档](autoregressive\u002Fserve\u002FREADME.md) 以安装所需的软件包。  \n```\npython3 autoregressive\u002Fserve\u002Fsample_c2i.py --vq-ckpt .\u002Fpretrained_models\u002Fvq_ds16_c2i.pt --gpt-ckpt .\u002Fpretrained_models\u002Fc2i_XXL_384.pt --gpt-model GPT-XXL --from-fsdp --image-size 384\n```\n生成的图像将保存为 `sample_c2i_vllm.png`。\n\n\n## 入门指南\n有关安装、训练和评估，请参阅 [入门指南](GETTING_STARTED.md)。\n\n## 许可证\n本项目的大部分内容采用 MIT 许可证授权。项目中的部分内容则依据所引用项目的单独许可证提供，具体详情请参阅相应文件。\n\n\n## BibTeX\n```bibtex\n@article{sun2024autoregressive,\n  title={自回归模型胜过扩散模型：Llama 用于可扩展的图像生成},\n  author={孙培泽、蒋毅、陈守法、张世龙、彭冰悦、罗平、袁泽寰},\n  journal={arXiv 预印本 arXiv:2406.06525},\n  year={2024}\n}\n```","# LlamaGen 快速上手指南\n\nLlamaGen 是一个将大语言模型（LLM）的“下一词预测”范式应用于图像生成的自回归模型系列。它证明了无需视觉归纳偏置的纯自回归模型，在适当扩展后也能达到最先进的图像生成效果。本指南帮助你快速在本地运行预训练模型。\n\n## 1. 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**: Linux (推荐) 或 macOS\n*   **Python**: >= 3.8\n*   **PyTorch**: >= 2.1.0 (必须支持 CUDA)\n*   **硬件**: 推荐配备 NVIDIA GPU (显存建议 16GB 以上以运行较大模型，如 3B 版本；小模型可在较小显存上运行)\n\n**前置依赖安装：**\n\n建议使用 `pip` 安装核心依赖。国内用户推荐使用清华源或阿里源加速下载。\n\n```bash\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\npip install -r requirements.txt\n```\n\n> **注意**：如果项目中未提供 `requirements.txt`，请至少安装以下关键库：\n> ```bash\n> pip install transformers accelerate gradio einops timm\n> ```\n> 若需使用 **vLLM** 进行加速推理（速度提升 300%-400%），请额外安装：\n> ```bash\n> pip install vllm\n> ```\n\n## 2. 安装步骤与模型下载\n\n### 步骤一：克隆代码库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FFoundationVision\u002FLlamaGen.git\ncd LlamaGen\n```\n\n### 步骤二：下载预训练模型\n你需要下载 **图像分词器 (VQ-VAE)** 和 **自回归生成模型 (AR Model)** 的权重文件。\n\n1.  在项目根目录下创建文件夹：\n    ```bash\n    mkdir -p pretrained_models\n    ```\n\n2.  从 Hugging Face 下载模型并放入 `pretrained_models` 目录。\n    *   **类别条件生成 (Class-conditional)** 示例 (以 LlamaGen-L 384x384 为例):\n        *   VQ 模型: [vq_ds16_c2i.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fvq_ds16_c2i.pt)\n        *   GPT 模型: [c2i_L_384.pt](https:\u002F\u002Fhuggingface.co\u002FFoundationVision\u002FLlamaGen\u002Fresolve\u002Fmain\u002Fc2i_L_384.pt)\n    \n    *   **文本条件生成 (Text-conditional)** 示例:\n        *   需参考 [language\u002FREADME.md](language\u002FREADME.md) 安装额外的语言模型依赖。\n        *   VQ 模型: [vq_ds16_t2i.pt](https:\u002F\u002Fhuggingface.co\u002Fpeizesun\u002Fllamagen_t2i\u002Fresolve\u002Fmain\u002Fvq_ds16_t2i.pt)\n        *   GPT 模型 (Stage 1): [t2i_XL_stage1_256.pt](https:\u002F\u002Fhuggingface.co\u002Fpeizesun\u002Fllamagen_t2i\u002Fresolve\u002Fmain\u002Ft2i_XL_stage1_256.pt)\n\n    *(国内网络访问 Hugging Face 较慢时，可使用镜像站如 `hf-mirror.com` 或手动下载后上传至服务器)*\n\n## 3. 基本使用\n\n以下展示最基础的**类别条件图像生成**流程。生成的图片将保存为 `sample_c2i.png`。\n\n### 运行示例 (类别条件生成)\n\n确保模型文件已位于 `.\u002Fpretrained_models` 目录下，然后运行以下命令：\n\n```bash\npython3 autoregressive\u002Fsample\u002Fsample_c2i.py --vq-ckpt .\u002Fpretrained_models\u002Fvq_ds16_c2i.pt --gpt-ckpt .\u002Fpretrained_models\u002Fc2i_L_384.pt --gpt-model GPT-L --image-size 384\n```\n\n如果你使用的是通过 FSDP 训练的大模型（如 XXL 或 3B 版本），需添加 `--from-fsdp` 参数：\n\n```bash\npython3 autoregressive\u002Fsample\u002Fsample_c2i.py --vq-ckpt .\u002Fpretrained_models\u002Fvq_ds16_c2i.pt --gpt-ckpt .\u002Fpretrained_models\u002Fc2i_XXL_384.pt --gpt-model GPT-XXL --from-fsdp --image-size 384\n```\n\n### 运行示例 (文本条件生成)\n\n*前提：已完成 `language\u002FREADME.md` 中的额外依赖安装。*\n\n```bash\npython3 autoregressive\u002Fsample\u002Fsample_t2i.py --vq-ckpt .\u002Fpretrained_models\u002Fvq_ds16_t2i.pt --gpt-ckpt .\u002Fpretrained_models\u002Ft2i_XL_stage1_256.pt --gpt-model GPT-XL --image-size 256\n```\n\n### 启动本地 Web Demo (Gradio)\n\n如果你想通过网页界面交互式地生成图像，可以运行：\n\n```bash\npython app.py\n```\n启动后，终端会显示本地访问地址（通常为 `http:\u002F\u002F127.0.0.1:7860`），在浏览器打开即可使用。\n\n### 高性能推理 (可选)\n\n若已安装 `vLLM`，可使用以下命令获得更快的生成速度：\n\n```bash\npython3 autoregressive\u002Fserve\u002Fsample_c2i.py --vq-ckpt .\u002Fpretrained_models\u002Fvq_ds16_c2i.pt --gpt-ckpt .\u002Fpretrained_models\u002Fc2i_XXL_384.pt --gpt-model GPT-XXL --from-fsdp --image-size 384\n```","某电商平台的视觉设计团队需要快速生成成千上万张不同类别的商品背景图，以支持 A\u002FB 测试和个性化营销活动的落地。\n\n### 没有 LlamaGen 时\n- **生成质量不稳定**：依赖传统的扩散模型（Diffusion），在处理复杂纹理或特定类别（如“复古家具”）时，常出现结构扭曲或细节模糊，导致图片可用性低。\n- **推理速度缓慢**：扩散模型需要多步去噪过程，单张高分辨率图片生成耗时数秒，难以满足大规模批量生成的实时性需求。\n- **扩展成本高昂**：想要提升生成效果必须重新设计复杂的网络架构或增加巨大的计算开销，缺乏像大语言模型那样成熟的“规模扩展”规律可循。\n- **部署维护复杂**：现有方案对显存要求极高，且缺乏高效的推理框架支持，导致服务器资源紧张，运维压力大。\n\n### 使用 LlamaGen 后\n- **画质达到业界顶尖**：利用 LlamaGen 的自回归机制，将图像生成转化为类似文本的“下一个令牌预测”，在 ImageNet 基准测试中 FID 分数低至 2.34，生成的商品背景纹理清晰、结构准确。\n- **推理效率大幅提升**：结合 vLLM 服务框架，LlamaGen 实现了 300%-400% 的加速比，将单张图片生成时间缩短至毫秒级，轻松支撑万级图片的并发生成。\n- **规模扩展简单直接**：验证了纯自回归模型在视觉领域的扩展能力，团队可直接通过增加参数量（从 1 亿到 30 亿）来线性提升效果，无需反复调整归纳偏置。\n- **基础设施复用性强**：直接复用成熟的 LLM 推理生态和训练代码，显著降低了显存占用和部署难度，让现有 GPU 集群利用率最大化。\n\nLlamaGen 通过将大语言模型的成功范式迁移至视觉领域，用更简单的架构和更高的效率，解决了高质量图像生成难以规模化落地的核心难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFoundationVision_LlamaGen_b5840425.jpg","FoundationVision","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FFoundationVision_08beeedc.jpg","Bytedance's opensource FoundationVision models",null,"https:\u002F\u002Fgithub.com\u002FFoundationVision",[79,83],{"name":80,"color":81,"percentage":82},"Python","#3572A5",99.2,{"name":84,"color":85,"percentage":86},"Shell","#89e051",0.8,1946,93,"2026-04-14T16:26:47","MIT","未说明","需要 NVIDIA GPU（隐含，因使用 CUDA\u002FPyTorch），显存需求取决于模型大小：运行 3B 参数模型或 FSDP 训练需大显存（建议 24GB+），小模型（100M-700M）需较少显存。支持 vLLM 加速。","未说明（建议 16GB+ 以加载大模型）",{"notes":95,"python":96,"dependencies":97},"1. 核心依赖为 PyTorch 2.1.0 及以上版本。\n2. 支持多种规模模型（100M 至 3B 参数），大模型（如 3B, 1.4B）训练或推理建议使用 FSDP 或多卡环境。\n3. 已集成 vLLM 服务框架，可提升 300%-400% 的推理速度。\n4. 文本条件生成模型需额外安装语言模型相关依赖（参考 language\u002FREADME.md）。\n5. 需手动下载预训练权重文件至 .\u002Fpretrained_models 目录。","未说明（通常需 Python 3.8+ 以支持 PyTorch 2.1）",[98,99,100,101,102],"torch>=2.1.0","vLLM","Gradio","FSDP","DDP",[35,15,14],[105,106,107,108,109,110,111],"auto-regressive-model","diffusion","diffusion-models","image-generation","llama","llm","text2image","2026-03-27T02:49:30.150509","2026-04-16T01:49:42.563624",[115,120,124,129,134,139,144],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},35123,"模型中哪些技巧对整体效果影响最大？","很难说哪一部分影响最大，因为每一部分都很重要。具体探索过程如下：\n1. **2D RoPE**：相比 2D sincos PE，它能带来更快的初始收敛速度，但最终性能基本相同。\n2. **类条件嵌入 (Class-conditional)** 和 **文本条件嵌入 (Text-conditional)**：均采用了最简单的实现方式（作为起始 token）。\n3. **CFG (Classifier-Free Guidance)**：这对性能（包括 FID 数值和视觉质量）非常非常重要。\n4. **数据过滤**：由于资源限制，未对过滤配置（如 CLIP 相似度分数）进行消融实验，只是设定了目标数量（例如约 5000 万张）进行过滤。","https:\u002F\u002Fgithub.com\u002FFoundationVision\u002FLlamaGen\u002Fissues\u002F9",{"id":121,"question_zh":122,"answer_zh":123,"source_url":119},35124,"为什么使用 T5 模型而不是 GPT 进行端到端的文本到图像生成？","训练一个语言和图片的端到端模型需要更多的训练数据和计算资源，这超出了项目团队目前的能力范围。",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},35125,"训练 VQGAN 时，判别器的 logits_real 和 logits_fake 数值非常接近且都为负数，这是否意味着判别器没有正常工作？","这是对抗训练过程的正常现象。对抗过程的美妙之处就在于 logits_fake 和 logits_real 会非常相似。如果 logits_real 接近 1 而 logits_fake 接近 -1，说明判别器太强了，生成器将无法学习。建议参考其他 GAN 代码库的训练日志以观察这一现象。","https:\u002F\u002Fgithub.com\u002FFoundationVision\u002FLlamaGen\u002Fissues\u002F27",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},35126,"论文中提到的学习率 (1e-4) 和批量大小 (256) 与实际代码配置不一致，应该以哪个为准？图像裁剪比例 (1.1 vs 1.05) 该选哪个？","请以 Issue #8 中讨论的配置为准，那是实际使用的超参数配置。不同规模的模型（如 -B 和 -XXL）在批量大小和学习率上确实略有不同。关于图像裁剪，实际实验使用的是配置文件中指定的选项（通常对应 Issue #8 确认的配置）。","https:\u002F\u002Fgithub.com\u002FFoundationVision\u002FLlamaGen\u002Fissues\u002F14",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},35127,"如何在自己的数据集上训练文本条件 (Text-Condition) 的 LlamaGen 模型？","可以按照以下步骤操作：\n1. 使用 `flant-t5-xxl` 将标题 tokenize 以获取 t5_feature，运行脚本：`scripts\u002Flanguage\u002Fextract_flan_t5_feat_stage2.sh`\n2. 使用生成的 `\u003Ct5_feature, img>` 配对数据训练 t2i_model，运行脚本：`scripts\u002Fautoregressive\u002Ftrain_t2i_stage1.sh`\n3. 推理过程参考 `sample_c2i.sh` 脚本。","https:\u002F\u002Fgithub.com\u002FFoundationVision\u002FLlamaGen\u002Fissues\u002F83",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},35128,"使用官方提供的评估代码复现 VQ-16 检查点的 FID 分数时，结果与论文不符（偏高），如何解决？","请确保评估数据集正确。首先运行 `scripts\u002Ftokenizer\u002Fval.sh` 生成包含 50k ImageNet 验证图像的 `val.npy` 文件。然后在运行评估器时，将命令中的 `VIRTUAL_imagenet256_labeled.npz` 替换为生成的 `val.npy` (或对应的 npz 格式)。此外，有用户反馈使用 `clean-fid` 仓库进行评估能得到更准确且符合预期的结果。","https:\u002F\u002Fgithub.com\u002FFoundationVision\u002FLlamaGen\u002Fissues\u002F34",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},35129,"复现实验时生成的图像全是纹理风格，无法生成清晰物体，可能是什么原因？","虽然原问题未给出最终定论，但常见原因包括：\n1. **显存差异导致隐式 Batch Size 变化**：用户提到使用了 40GB A100 而非 80GB，需检查是否因显存限制自动减小了 batch size 或梯度累积步数，导致训练动态改变。\n2. **数据预处理不一致**：确保提取 code 时的参数（如 `--ten-crop`, `--crop-range 1.1`）与训练脚本完全一致。\n3. **学习率或优化器设置**：确认是否严格遵循了针对特定模型大小（如 GPT-B）调整后的学习率配置（参考 Issue #14 的结论）。","https:\u002F\u002Fgithub.com\u002FFoundationVision\u002FLlamaGen\u002Fissues\u002F17",[]]