SupraLabs 开源 Supra2-IMG：1 亿参数文生图模型，单卡 9 小时训完

首次发布 2026年9月21日 UTC 14:05传播指数 48

SupraLabs 开源超小型文生图模型 Supra2-IMG，参数量仅约 1.04 亿，体积约 417MB。团队基于 560 万张合成图像，在一张单卡 H100 上仅耗时 9 小时完成训练，主打端侧与小型设备运行。不过受限于极小体量，目前生成分辨率为 256×256，画质相对有限。

Supra2-IMG 是一个只有 1.04 亿参数的超小型文生图模型，整个模型权重文件大概只有 417MB，可以直接塞进手机、随身小型设备或者边缘计算芯片里离线跑图。

现在的文生图模型动辄几十亿参数，动用大量显存，而 SupraLabs 做的这个小家伙，参数规模缩小了将近几十倍。它用极低的硬件开销，证明了小模型也能从零学画画。

单张显卡 9 小时训完

Supra2-IMG 是一个极简的 Diffusion Transformer（DiT）架构，从零开始完全在高质量合成数据上训练而来。

它的核心文本编码器选用了冻结参数的 Google Flan-T5-Base，上下文长度是 128 token；图像编解码部分则直接使用了 Stability AI 经典的 SD-VAE-FT-MSE。

训练数据来自 LucasFang/FLUX-Reason-6M 数据集，团队筛选出了 560 万张高质量图像，依次按画面构图、实体、文字、风格和想象力 prompt 进行清洗排序，一共训练了 10 个 epoch。

最夸张的是训练成本。整个预训练只用了 Runpod 上的一台单卡 Nvidia H100 SXM 80GB 机器，挂载 2.5TB 硬盘，算上前期数据准备的时间，一共只跑了 9 个小时。

在基准测试中，Supra2-IMG 跑出了 27.9 的 FID 分数和 29.4 的 CLIP 得分，对于一个 1 亿参数体量的模型来说表现相当扎实。

要跑起来非常简单。你可以直接通过 Hugging Face 的 transformers 库加载，也可以从项目主页下载 inference.py 脚本运行。

官方推荐的采样配置是 Euler flow 算法、50 步迭代，以及 3.0 的 CFG 缩放系数。模型加载权重只需要不到一秒钟的时间。

不过你必须对画质有合理的心理预期。因为参数实在太少，它生成的原生分辨率只有 256×256 像素，画面的细节和复杂构图比较有限，不能指望它去比拼几十亿参数的大模型。

目前权重已经在 Hugging Face 上完全开放，并且提供了 Google Colab 和 Kaggle 的在线 Notebook 供大家免配置尝试。

我们认为 Supra2-IMG 最有价值的地方在于极低门槛的探索。对独立开发者和端侧硬件玩家来说，417MB 的模型意味着你甚至不需要云端 API，就能在低功耗硬件上实现端侧实时的图像草图生成。

它向社区证明了依靠高质量合成数据，极小体量的 DiT 也能具备完整的语义理解和生成能力。如果你想在移动端或者嵌入式设备上搞离线生图原型，这个小玩具非常值得下下来跑一跑。