Kandinsky 3.0
Передовая нейросеть для генерации высококачественных изображений по текстовому описанию с улучшенным пониманием русскоязычного контекста и культурных особенностей
Kandinsky 3.0 — это мощная модель генерации изображений по текстовому описанию, разработанная командой Sber AI. Модель основана на архитектуре латентной диффузии и представляет собой значительное улучшение по сравнению с предыдущими версиями. Kandinsky 3.0 включает в себя текстовый энкодер Flan-UL2 (8.6 млрд параметров), U-Net для латентной диффузии (3 млрд параметров) и MoVQ энкодер/декодер (267 млн параметров), что в сумме дает 11.9 млрд параметров. Модель обучена на обширном наборе данных из 1.5 млрд пар текст-изображение, включая материалы, связанные с русской культурой. Это позволяет ей лучше понимать русскоязычные запросы и генерировать изображения, отражающие российские реалии. Помимо базовой генерации изображений, Kandinsky 3.0 поддерживает функции инпейнтинга (дорисовки частей изображения), аутпейнтинга (расширения изображения за пределы кадра), а также создания коротких анимаций через интеграцию с Deforum. В 2024 году модель была обновлена до версии 3.1, которая предлагает улучшенное качество генерации и дополнительные функции.
