BluePixel Turbo · Guia de download
BluePixel-Turbo: download e instalação local
Obtenha os pesos e o código de inferência, confira os requisitos e siga os exemplos do desenvolvedor para editar imagens no seu computador.
Edite uma foto no navegador
Abra o BluePixel Turbo, envie sua foto e descreva a alteração que deseja fazer.
Sem instalação — editar onlineOs blocos de código abaixo foram reproduzidos sem alterações do README da vivo no GitHub. Execute-os no repositório clonado; os caminhos e as instruções em inglês foram mantidos como publicados.
Requisitos do ambiente
O README exige um ambiente CUDA com suporte a BF16. As dependências usam a API do Diffusers 0.36. A inferência em GPU deve ser validada no seu próprio ambiente de implantação.
Fonte:README da vivo
Diferenças entre os checkpoints v1 e v2
A ficha do modelo identifica v1 como a versão SFT inicial ckpt800 e v2 como a versão atual ckpt35 (STEP-35). A atualização de 2026-11-03 é um checkpoint intermediário destilado por SATP, sem pós-treinamento adicional; há planos de continuar com aprendizado por reforço. Apenas os pesos do transformer foram atualizados; o codificador de texto, o VAE e o tokenizador permanecem iguais, e os metadados foram renovados.
Fonte:Ficha do modelo da vivo
Baixar o código e o checkpoint completo
Clone o repositório vivo/BluePixel indicado no link e abra seu diretório. Instale as dependências e baixe o checkpoint completo openvivo/BluePixel-Turbo no diretório usado pelos exemplos.
pip install -r requirements.txthf download openvivo/BluePixel-Turbo --local-dir ./BluePixel-TurboFonte:README da vivo
Inferência de uma imagem
Este exemplo do README edita assets/test_input.jpg do repositório com uma instrução em inglês e salva output.jpg. O código e todos os valores dos parâmetros abaixo foram mantidos sem alterações.
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")Fonte:README da vivo
Inferência em lote com JSONL
Prepare uma tarefa por linha com os campos image_name e edit_prompt. A retomada fica ativa por padrão: tarefas concluídas são ignoradas e as que falharam são tentadas novamente. --no-resume executa as tarefas de novo e sobrescreve as saídas; use essa opção com um único processo de trabalho. Escolha um novo diretório de saída ao mudar o modelo ou as configurações de inferência.
{"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_promptFonte:README da vivo
Orçamentos de pixels para 1K, 2K e 4K
O README define target_pixels como 1024² para 1K, 1440² para 2K e 4096² para 4K. São orçamentos de pixels: a ficha do modelo informa que entradas não quadradas preservam aproximadamente a proporção original, com dimensões ajustadas a múltiplos de 64.
target_pixels = {
"1K": 1024 * 1024, # 1048576
"2K": 1440 * 1440, # 2073600
"4K": 4096 * 4096, # 16777216
}Reduzir a memória com VAE em blocos
O README recomenda vae_tiling=True para dispositivos com pouca memória. A opção equivalente na linha de comando é --vae-tiling. Ela reduz a memória usada pelo autoencoder; o README e a ficha do modelo vinculados não especificam uma quantidade mínima de VRAM.
pipe = load_pipeline(
"BluePixel-Turbo", device="cuda", vae_tiling=True, mu_mode="empirical"
)Fonte:README da vivo
Ler LICENSE e NOTICE antes da implantação
O repositório e a ficha do modelo indicam Apache-2.0. Porém, o NOTICE lista o modelo base Flux 2 Klein sob a FLUX Non-Commercial License. Este guia não confirma permissão para hospedagem comercial própria; confira as licenças aplicáveis antes de usar os pesos.
Fonte:Ficha do modelo da vivoTexto da licença (LICENSE)Avisos de terceiros (NOTICE)
ComfyUI: uma integração de terceiros
T8mars/Comfyui-BluePixel-T8 é um repositório de terceiros, não uma publicação da vivo. Não testamos seus nós nem seus fluxos de trabalho. Consulte a documentação do próprio repositório; este guia não oferece uma instalação verificada do ComfyUI.
Fonte:Repositório T8mars
Perguntas sobre o download
Preciso dos pesos para usar o editor no navegador?
Não. O botão de edição online abre o editor do site. Baixar e executar o checkpoint do desenvolvedor é um processo local separado.
Toda saída tem exatamente 4096 × 4096 pixels?
Não. O desenvolvedor descreve a saída 4K quadrada como 4096 × 4096. Imagens não quadradas mantêm aproximadamente a proporção original dentro do orçamento de pixels, com dimensões ajustadas a múltiplos de 64.
A configuração BF16 significa que o download é armazenado em BF16?
Não. A ficha do modelo informa que os pesos do transformer são armazenados em float32, com total_size de 36,314,324,992 bytes. O campo bfloat16 descreve o tipo de dados previsto para a inferência, não para o armazenamento.
Onde encontro checkpoints anteriores?
Segundo a ficha do modelo, as revisões anteriores continuam no histórico de commits e no navegador de revisões do repositório no Hugging Face. Consulte a ficha correspondente à revisão escolhida.
Em que idioma devo escrever as instruções?
A ficha do modelo descreve o checkpoint como destinado a instruções de edição em inglês. Ela também avisa que podem surgir artefatos ou alterações indesejadas; confira o resultado antes de usar.