BluePixel Turbo · 다운로드 가이드
BluePixel-Turbo 다운로드 및 로컬 설치
모델 가중치와 추론 코드를 받고 실행 환경을 확인한 뒤, 배포자가 제공한 예제로 로컬에서 이미지를 편집하세요.
아래 코드 블록은 vivo의 GitHub README에서 한 글자도 바꾸지 않고 인용했습니다. 복제한 저장소 디렉터리에서 실행하세요. 예제 경로와 영어 지시문도 원문 그대로입니다.
실행 환경 요구 사항
README는 BF16을 지원하는 CUDA 환경을 요구합니다. 의존성은 Diffusers 0.36 API를 대상으로 합니다. GPU 추론은 실제로 배포할 환경에서 검증해야 합니다.
v1과 v2 체크포인트의 차이
모델 카드에서 v1은 최초 ckpt800 SFT 버전, v2는 현재 ckpt35(STEP-35) 버전으로 명시됩니다. 2026-11-03 업데이트는 추가 사후 학습을 하지 않은 SATP 증류 중간 체크포인트이며, 이후 강화 학습이 예정되어 있습니다. transformer 가중치만 갱신되었고 텍스트 인코더, VAE, tokenizer는 그대로이며 메타데이터가 새로 반영되었습니다.
출처:vivo 모델 카드
코드와 전체 체크포인트 다운로드
연결된 vivo/BluePixel 저장소를 복제하고 해당 디렉터리로 이동하세요. 의존성을 설치한 다음 전체 openvivo/BluePixel-Turbo 체크포인트를 예제에서 사용하는 디렉터리에 다운로드하세요.
pip install -r requirements.txthf download openvivo/BluePixel-Turbo --local-dir ./BluePixel-Turbo단일 이미지 추론
이 README 예제는 저장소의 assets/test_input.jpg를 영어 지시문으로 편집하고 output.jpg로 저장합니다. 아래 코드와 모든 매개변수 값은 원문 그대로입니다.
import torch
from PIL import Image
from vins_infer import load_pipeline
pipe = load_pipeline(
"BluePixel-Turbo",
device="cuda",
vae_tiling=False,
lora_scale=None,
shift=0,
mu_mode="empirical",
)
result = pipe(
image=Image.open("assets/test_input.jpg").convert("RGB"),
instruction="Change the gray sweater to burgundy red.",
num_inference_steps=4,
guidance_scale=3.0,
target_pixels=4096 * 4096,
generator=torch.Generator(device="cuda").manual_seed(42),
).images[0]
result.save("output.jpg")JSONL을 이용한 일괄 추론
image_name과 edit_prompt 필드를 포함한 작업을 한 줄에 하나씩 작성하세요. 이어서 실행하기는 기본으로 켜져 있어 성공한 작업은 건너뛰고 실패한 작업은 재시도합니다. --no-resume은 작업을 다시 실행하고 결과를 덮어쓰므로 단일 작업 프로세스에서 사용하세요. 모델이나 추론 설정을 바꿀 때는 새 출력 디렉터리를 선택하세요.
{"image_name": "/path/to/input.png", "edit_prompt": "make the hair red"}CUDA_VISIBLE_DEVICES=0 python vins_infer.py \
--model-dir BluePixel-Turbo \
--jsonl /path/to/your_tasks.jsonl \
--out-dir ./output \
--target-pixels 16777216 \
--steps 4 \
--guidance 3.0 \
--seed 42 \
--mu-mode empirical \
--instruction-field edit_prompt1K·2K·4K 픽셀 예산
README는 target_pixels를 1K는 1024², 2K는 1440², 4K는 4096²로 정의합니다. 이는 총 픽셀 예산입니다. 모델 카드에 따르면 정사각형이 아닌 입력은 원래 종횡비를 대체로 유지하며, 각 변의 길이는 64의 배수로 맞춰집니다.
target_pixels = {
"1K": 1024 * 1024, # 1048576
"2K": 1440 * 1440, # 2073600
"4K": 4096 * 4096, # 16777216
}VAE 타일링으로 메모리 사용량 줄이기
README는 메모리가 부족한 장치에서 vae_tiling=True 사용을 권장합니다. 명령줄 옵션은 --vae-tiling입니다. 이 설정은 오토인코더의 메모리 사용량을 줄이며, 연결된 README와 모델 카드에는 최소 VRAM 용량이 명시되어 있지 않습니다.
pipe = load_pipeline(
"BluePixel-Turbo", device="cuda", vae_tiling=True, mu_mode="empirical"
)배포 전 LICENSE와 NOTICE 확인
저장소와 모델 카드는 Apache-2.0으로 표기되어 있습니다. 하지만 NOTICE는 기반 모델 Flux 2 Klein에 FLUX Non-Commercial License가 적용된다고 명시합니다. 이 가이드는 상업적 자체 호스팅이 허용된다고 판단하지 않습니다. 가중치를 사용하기 전에 적용되는 라이선스 문서를 확인하세요.
ComfyUI: 제삼자 통합
T8mars/Comfyui-BluePixel-T8은 제삼자 저장소이며 vivo가 배포한 것이 아닙니다. 이 사이트는 해당 노드나 워크플로를 테스트하지 않았습니다. 저장소 자체 문서를 참고하세요. 이 가이드는 검증된 ComfyUI 설치 절차를 제공하지 않습니다.
출처:T8mars 저장소
다운로드 관련 질문
브라우저 편집기에도 가중치가 필요한가요?
아니요. 온라인 편집 버튼으로 사이트의 편집기를 열면 됩니다. 배포자의 체크포인트를 다운로드하고 실행하는 것은 별도의 로컬 작업입니다.
모든 출력이 정확히 4096 × 4096인가요?
아니요. 배포자는 정사각형 4K 출력을 4096 × 4096으로 설명합니다. 정사각형이 아닌 이미지는 픽셀 예산 안에서 원래 종횡비를 대체로 유지하고 각 변의 길이가 64의 배수로 조정됩니다.
BF16 설정이면 다운로드 파일도 BF16으로 저장되나요?
아니요. 모델 카드에 따르면 transformer 가중치는 float32로 저장되며 total_size는 36,314,324,992바이트입니다. bfloat16 설정 필드는 저장 형식이 아니라 추론 시 사용하려는 데이터 형식을 뜻합니다.
이전 체크포인트는 어디에서 찾을 수 있나요?
모델 카드에 따르면 이전 리비전은 Hugging Face 저장소의 커밋 기록과 리비전 탐색기에 남아 있습니다. 선택한 리비전의 모델 카드 스냅샷을 확인하세요.
편집 지시문은 어떤 언어로 작성하나요?
모델 카드는 이 체크포인트가 영어 편집 지시문을 대상으로 한다고 설명합니다. 출력에 아티팩트나 의도하지 않은 변경이 생길 수 있다는 경고도 있으므로 사용 전에 결과를 확인하세요.