PixText: модель для точкової правки тексту на згенерованих зображеннях

TL;DR

• Модель має приблизно 0,95 млрд параметрів.

• Робота відбувається в піксельному просторі без VAE та текстового енкодера.

• Підтримуються латиниця та китайські ієрогліфи.

• Існують дві версії: MeanFlow за 4 кроки та Teacher за 25 кроків.

• Код доступний на Hugging Face, GitHub та як вузол для ComfyUI.

Як це змінить ваш ринок?

Для медіа-компаній та маркетингових агентств це сигнал про можливість точкової корегування згенерованих зображень. Основний блокер — відсутність готового сервісу з підтримкою, що вимагає власної інженерної інтеграції. Результат — швидше виправлення помилок тексту на графіці без перегенерації усього кадру.

Визначення: VAE (Variational Autoencoder) — компонент генеративних моделей, який стискає та відновлює зображення, часто розмиваючи дрібні деталі, такі як текст.

Для кого це і за яких умов

Для компаній з власною IT-командою, які можуть самостійно розгортати моделі з репозиторіїв. Мін. масштаб — будь-який, але без розробника інструмент не придатний до використання. Час на впровадження — від кількох днів до тижнів залежно від наявності GPU.

Альтернативи