BluePixel-Turbo : l'éditeur d'images 4K natif en 4 étapes de vivo

BluePixel-Turbo est la publication open source de vivo d'un éditeur d'images 4K natif piloté par instructions : un backbone FLUX.2-klein-9B adapté à un autoencodeur DCAE-F64, puis distillé de 50 étapes de débruitage à 4. Les entrées comme les sorties restent en 4K, sans passe de super-résolution en cascade. La page du projet de l'équipe rapporte 8,7 secondes par édition 4K sur un seul XPU Kunlunxin P800 en bf16, et l'article dévoile la recette d'entraînement complète.


Entrée, cadrage de l'éditeur 1K	Sortie après une édition composée de quatre opérations

Démo officielle : zoom avant sur l'homme et le cheval, transformation de la chemise blanche en tunique marron foncé, et remplacement du tapis de selle par du cuir rouge, le tout en une seule instruction.

Une mise à jour, pas une première publication

Le référentiel contenait déjà un checkpoint SFT antérieur (ckpt800). Le 2026-11-03, il a été remplacé par ckpt35, le transformer distillé par SATP, que la carte du modèle qualifie de checkpoint intermédiaire, sans l'étape de post-entraînement ultérieure.

Le diff est étroit et vérifiable : les dix shards du transformer ont tous été re-téléversés, tandis que l'encodeur de texte (cinq shards), les poids du VAE DCAE-F64 et le tokenizer sont identiques octet pour octet à la révision précédente. Le total_size du transformer reste inchangé à 36 314 324 992 octets et le nombre de tenseurs reste à 233 : rien n'a bougé dans l'architecture ni dans le chemin de chargement. L'index de fichiers de HF liste 9 078 581 248 paramètres stockés en fp32.

Partie	Changement dans la révision du 11-03
Transformer (10 shards)	Remplacé
Encodeur de texte, VAE, tokenizer	Identiques octet pour octet
Config, index, scheduler	Métadonnées uniquement

Transformer un éditeur 1K en éditeur 4K

La difficulté de l'édition 4K ne réside pas dans l'échantillonneur, mais dans le nombre de tokens : un latent 4K à la compression habituelle f=8 représente seize fois la surface spatiale du 1K. BluePixel remplace le VAE f=8 de FLUX.2 Klein par DCAE-F64, un autoencodeur à compression profonde qui maintient le nombre de tokens du DiT 4K au niveau du 1K, puis aligne les nouveaux latents sur l'éditeur pré-entraîné par distillation à projection progressive en 8 → 32 → 64.

L'équipe estime le coût de cette étape à environ 4 jours sur 32 XPU Kunlunxin P800 avec environ 200K échantillons, ce qui constitue l'argument de l'article : l'édition 4K devient un problème système doté d'une recette abordable, plutôt qu'un pré-entraînement à partir de zéro.

Des compétences de longue traîne sans oublier le modèle de base

Apprentissage continu groupe par groupe : chaque compétence verticale (coiffures, expression, pose, effets photo globaux) est enseignée sous forme de banque ACE-LoRA posée sur des gradients orthogonaux, puis distillée dans le modèle de base avec MOPD avant le démarrage du groupe suivant. L'article rapporte CIE-Bench total 6,24 → 8,87, tandis que les métriques d'édition générale évoluent de moins de ±0,03, et la banque de coiffures seule porte 26 modèles appris à partir de quelques dizaines d'échantillons chacun.

Modèles de coiffures appris par l'étape de longue traîne

Bandes de modèles issues de l'article : image source à gauche de chaque groupe, puis les sorties de modèles.

Le groupe expression de la même banque, également distillé dans la base avant l'entraînement du groupe suivant.

Quatre étapes au lieu de cinquante

La projection de cible ancrée à la source (SATP) est le schéma de distillation derrière le nom Turbo : l'étudiant est ancré au latent source afin que les régions non éditées survivent à la réduction du nombre d'étapes. Le résultat annoncé est une réduction de 50 → 4 étapes, une inférence environ 4x plus rapide, avec le taux de succès des tâches et la cohérence de l'arrière-plan maintenus. La valeur de 8,7 s est mesurée sur du matériel XPU Kunlunxin P800 : une exécution sur un poste de travail CUDA ne l'atteindra pas.

Benchmarks

Les chiffres ci-dessous proviennent de la page du projet ; celle-ci précise qu'elle n'attribue pas chaque score de qualité à ce checkpoint Turbo spécifique.

VINS-4KEval++ (3 305 cas 4K natifs, 7 modèles) : global 8,62, 2e sur 7 ; cohérence des régions non éditées 9,06, 2e derrière GPT Image 2
ImgEdit-Bench : 4,59 Hybrid et 4,93 Action, 1er dans les deux ; à égalité en 1re place sur Add
Stabilité sur 8 seeds : moyenne 8,624, amplitude 0,053
CIE-Bench : 6,24 → 8,87 via ACE-MOPD


GPT Image 2, même entrée et même instruction composée, issu de la comparaison de la page du projet

Disponibilité

La voie officielle est le pipeline basé sur Diffusers dans vivo/BluePixel (load_pipeline + vins_infer.py, 4 étapes, guidance_scale 3.0, target_pixels 4096×4096). Il n'existe pas encore de loader ComfyUI natif dans le core : l'accès à ComfyUI passe donc par un pack communautaire, T8mars/Comfyui-BluePixel-T8, listé sur le Comfy Registry sous le nom bluepixel-t8, avec 20 nœuds, un loader séparé pour le modèle de diffusion / l'encodeur de texte Qwen3-8B / le VAE DCAE-F64, et un repack ConvRot INT8 du transformer dans t8star/BluePixel-Comfy (environ 28,19 Go répartis sur trois fichiers).

Une contrainte accompagne le pack : DCAE-F64 compresse à 64x, il ne peut donc pas être mélangé avec un VAE FLUX.2 classique ni avec un latent vide construit pour celui-ci. Le pack cible ComfyUI 0.43.0+ et Diffusers 0.40+.