SupraLabs 開源 Supra2-IMG：1 億引數文生圖模型，單卡 9 小時訓完

首次發布 2026年9月21日 14:05 [UTC]傳播指數 48

SupraLabs 開源超小型文生圖模型 Supra2-IMG，引數量僅約 1.04 億，體積約 417MB。團隊基於 560 萬張合成影像，在一張單卡 H100 上僅耗時 9 小時完成訓練，主打端側與小型裝置執行。不過受限於極小體量，目前生成解析度為 256×256，畫質相對有限。

Supra2-IMG 是一個只有 1.04 億引數的超小型文生圖模型，整個模型權重檔案大概只有 417MB，可以直接塞進手機、隨身小型裝置或者邊緣計算晶片裡離線跑圖。

現在的文生圖模型動輒幾十億引數，動用大量視訊記憶體，而 SupraLabs 做的這個小傢伙，引數規模縮小了將近幾十倍。它用極低的硬體開銷，證明了小模型也能從零學畫畫。

單張顯示卡 9 小時訓完

Supra2-IMG 是一個極簡的 Diffusion Transformer（DiT）架構，從零開始完全在高質量合成數據上訓練而來。

它的核心文本編碼器選用了凍結引數的 Google Flan-T5-Base，上下文長度是 128 token；影像編解碼部分則直接使用了 Stability AI 經典的 SD-VAE-FT-MSE。

訓練資料來自 LucasFang/FLUX-Reason-6M 資料集，團隊篩選出了 560 萬張高質量影像，依次按畫面構圖、實體、文字、風格和想像力 prompt 進行清洗排序，一共訓練了 10 個 epoch。

最誇張的是訓練成本。整個預訓練只用了 Runpod 上的一臺單卡 Nvidia H100 SXM 80GB 機器，掛載 2.5TB 硬碟，算上前期資料準備的時間，一共只跑了 9 個小時。

在基準測試中，Supra2-IMG 跑出了 27.9 的 FID 分數和 29.4 的 CLIP 得分，對於一個 1 億引數體量的模型來說表現相當紮實。

要跑起來非常簡單。你可以直接通過 Hugging Face 的 transformers 庫載入，也可以從專案主頁下載 inference.py 指令碼執行。

官方推薦的取樣配置是 Euler flow 演算法、50 步迭代，以及 3.0 的 CFG 縮放係數。模型載入權重只需要不到一秒鐘的時間。

不過你必須對畫質有合理的心理預期。因為引數實在太少，它生成的原生解析度只有 256×256 畫素，畫面的細節和複雜構圖比較有限，不能指望它去比拼幾十億引數的大模型。

目前權重已經在 Hugging Face 上完全開放，並且提供了 Google Colab 和 Kaggle 的線上 Notebook 供大家免配置嘗試。

我們認為 Supra2-IMG 最有價值的地方在於極低門檻的探索。對獨立開發者和端側硬體玩家來說，417MB 的模型意味著你甚至不需要雲端 API，就能在低功耗硬體上實現端側即時的影像草圖生成。

它向社群證明了依靠高質量合成數據，極小體量的 DiT 也能具備完整的語義理解和生成能力。如果你想在移動端或者嵌入式裝置上搞離線生圖原型，這個小玩具非常值得下下來跑一跑。