SupraLabsがSupra2-IMGを公開：スマホでも動く1億パラメータの超軽量画像生成モデル

Supra2-IMGは、パラメータ数がわずか約1.04億（104M）、モデルファイルサイズは約417MBという超小型の画像生成（Text-to-Image）モデルだ。スマートフォンや小型のエッジ端末、ローカル環境で直接動かすことを目指して設計されている。

現在の主要な画像生成モデルが数十億パラメータ規模であるのに対し、SupraLabsが開発したこのモデルは規模を数十倍小さく抑えている。

1枚のGPU、わずか9時間で学習完了

Supra2-IMGは、極小のDiffusion Transformer（DiT）構造を採用し、高品質な合成データを用いてゼロからフルスクラッチで事前学習された。

テキストエンコーダには凍結済みのGoogle Flan-T5-Base（コンテキスト長128トークン）を使い、画像生成デコーダには定番のSD-VAE-FT-MSEを組み合わせている。

データセットにはLucasFang/FLUX-Reason-6Mから厳選された560万枚の画像を使用。構図や被写体、スタイルなどの基準でプロンプトを整理した上で、10エポックの学習を行った。

驚くべきはその計算コストだ。RunpodのNvidia H100 SXM 80GB単一ノードを使い、データ準備を含めてわずか9時間で学習を終えている。小型モデルながらFIDスコア27.9、CLIPスコア29.4を記録した。

動かし方と現在の制限

実行はとても手軽だ。Hugging Faceのtransformersライブラリからロードするか、配布されているinference.pyスクリプトを実行するだけで試すことができる。

推奨サンプリング設定はEuler flowサンプラーによる50ステップ、CFGスケールは3.0。重みの読み込みは1秒もかからず完了する。

ただし、パラメータ数を極限まで削っているため、生成できるネイティブ解像度は256×256にとどまる。大型モデルのような精緻なディテールや複雑な描画を求める用途には向いていない。

モデルの重みはHugging Faceで公開されており、Google ColabやKaggleのノートブックからもすぐにテスト可能だ。

なぜ重要か

私たちは、このモデルがエッジAIや端末ローカル実装の可能性を大きく広げたと考えている。約417MBという軽さなら、ネットワークに頼らず端末単体で軽量な画像スケッチやアイコン生成を行うプロトタイプが手軽に作れる。

高品質な合成データをうまく使えば、極小DiTでも実用的な構図理解ができることを証明した点も面白い。モバイル端末でのオフライン生成に興味がある開発者は、触ってみる価値が十分にある。