BluePixel-Turbo: 4-шаговый нативный 4K-редактор изображений от vivo

Вход, кадрирование 1K-редактора	Выход после составной правки из четырёх операций

Официальная демонстрация: увеличить мужчину и лошадь, заменить белую рубашку на тёмно-коричневую тунику и поменять седельную подушку на красную кожу, всё одной инструкцией.

Обновление, а не первый релиз

В репозитории уже лежал более ранний SFT-чекпоинт (ckpt800). 2026-11-03 его заменил ckpt35, трансформер, дистиллированный методом SATP; карточка модели помечает его как промежуточный чекпоинт без последующего этапа post-training.

Diff узкий и проверяемый: все десять шардов трансформера перезалиты, а текстовый энкодер (пять шардов), веса VAE DCAE-F64 и токенизатор побайтово идентичны предыдущей ревизии. total_size трансформера не изменился и составляет 36 314 324 992 байта, число тензоров остаётся 233, так что ни архитектура, ни путь загрузки не сдвинулись. Индекс файлов HF перечисляет 9 078 581 248 параметров, хранящихся в fp32.

Как превратить 1K-редактор в 4K

Сложность 4K-редактирования не в сэмплере, а в количестве токенов: 4K-латент при обычном сжатии f=8 занимает в шестнадцать раз большую площадь, чем 1K. BluePixel меняет VAE f=8 от FLUX.2 Klein на DCAE-F64, автоэнкодер глубокого сжатия, который удерживает число токенов DiT для 4K на уровне 1K, а затем выравнивает новые латенты с предобученным редактором через прогрессивную проекционную дистилляцию при 8 → 32 → 64.

Команда оценивает стоимость этого этапа примерно в 4 дня на 32 XPU Kunlunxin P800 при около 200 тыс. сэмплов, и в этом главный аргумент статьи: 4K-редактирование становится системной задачей с доступным рецептом, а не pretraining-запуском с нуля.

Навыки длинного хвоста без забывания базовой модели

Продолжительное обучение по группам: каждый вертикальный навык (причёски, выражения, поза, глобальные фотоэффекты) изучается как банк ACE-LoRA поверх ортогональных градиентов, а затем дистиллируется обратно в базовую модель с помощью MOPD, прежде чем начнётся следующая группа. Статья сообщает о CIE-Bench total 6.24 → 8.87, при этом метрики общего редактирования меняются менее чем на ±0.03, а один только банк причёсок содержит 26 шаблонов, выученных по нескольким десяткам сэмплов каждый.

Полосы шаблонов из статьи: исходное изображение слева в каждой группе, за ним результаты шаблонов.

Группа выражений того же банка, также дистиллированная обратно в базу перед обучением следующей группы.

Четыре шага вместо пятидесяти

Source-anchored target projection (SATP) это схема дистилляции, стоящая за названием Turbo: студент привязан к исходному латенту, чтобы неотредактированные области пережили сокращение шагов. Заявленный результат: сокращение шагов 50 → 4, примерно в 4 раза быстрее вывод, при сохранении успеха задачи и согласованности фона. Показатель 8,7 с измерен на оборудовании XPU Kunlunxin P800, поэтому запуск на CUDA-десктопе его не достигнет.

Бенчмарки

Числа ниже взяты со страницы проекта; страница отмечает, что не привязывает каждую оценку качества именно к этому Turbo-чекпоинту.

• VINS-4KEval++ (3 305 нативных 4K-случаев, 7 моделей): общий балл 8.62, 2-е место из 7; согласованность неотредактированных областей 9.06, 2-е место после GPT Image 2
• ImgEdit-Bench: 4.59 Hybrid и 4.93 Action, 1-е место в обоих; делит 1-е место в Add
• Стабильность по 8 сидам: среднее 8.624, разброс 0.053
• CIE-Bench: 6.24 → 8.87 через ACE-MOPD

GPT Image 2, тот же вход и та же составная инструкция, из сравнения на странице проекта

Доступность

Официальный путь это пайплайн на Diffusers в vivo/BluePixel (load_pipeline + vins_infer.py, 4 шага, guidance_scale 3.0, target_pixels 4096×4096). Нативного загрузчика ComfyUI в ядре пока нет, поэтому доступ из ComfyUI идёт через пакет сообщества: T8mars/Comfyui-BluePixel-T8, зарегистрированный в Comfy Registry как bluepixel-t8, с 20 узлами, раздельным загрузчиком для diffusion-модели, текстового энкодера Qwen3-8B и VAE DCAE-F64, а также INT8 ConvRot-перепаковкой трансформера в t8star/BluePixel-Comfy (около 28,19 ГБ в трёх файлах).

С пакетом идёт одно ограничение: DCAE-F64 сжимает в 64 раза, поэтому его нельзя смешивать с обычным VAE FLUX.2 или пустым латентом, построенным для него. Пакет рассчитан на ComfyUI 0.43.0+ и Diffusers 0.40+.

• Веса: openvivo/BluePixel-Turbo
• Код: vivo/BluePixel
• Статья: arXiv:2610.19882
• Датасет: openvivo/VINS-120K