BluePixel Turbo · Руководство по скачиванию
BluePixel-Turbo: скачивание и локальный запуск
Скачайте веса и код для инференса, проверьте требования к среде и используйте примеры издателя для локального редактирования изображений.
Редактируйте фото в браузере
Откройте BluePixel Turbo, загрузите фотографию и опишите нужное изменение.
Без установки — редактировать онлайнБлоки кода ниже дословно взяты из GitHub README vivo. Выполняйте их из каталога клонированного репозитория; пути и английские инструкции сохранены в исходном виде.
Требования к среде
README требует среду CUDA с поддержкой BF16. Зависимости рассчитаны на API Diffusers 0.36. Работу инференса на GPU необходимо проверить в собственной среде развёртывания.
Источник:README vivo на GitHub
Различия между v1 и v2
В карточке модели v1 обозначена как первоначальный SFT-релиз ckpt800, а v2 — как текущий ckpt35 (STEP-35). Обновление от 2026-11-03 — промежуточная версия после SATP-дистилляции без дополнительного постобучения; дальнейшее обучение с подкреплением запланировано. Обновлены только веса трансформера; текстовый энкодер, VAE и токенизатор не изменились, метаданные обновлены.
Источник:Карточка модели на Hugging Face
Скачивание кода и полного чекпойнта
Клонируйте репозиторий vivo/BluePixel по ссылке ниже и перейдите в его каталог. Установите зависимости, затем скачайте полный чекпойнт openvivo/BluePixel-Turbo в каталог, используемый в примерах.
pip install -r requirements.txthf download openvivo/BluePixel-Turbo --local-dir ./BluePixel-TurboИсточник:README vivo на GitHub
Инференс для одного изображения
Этот пример из README редактирует assets/test_input.jpg из репозитория по английской инструкции и сохраняет output.jpg. Код и все значения параметров ниже приведены без изменений.
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")Источник:README vivo на GitHub
Пакетный инференс через JSONL
Поместите каждое задание в отдельную строку с полями image_name и edit_prompt. Возобновление включено по умолчанию: успешные задания пропускаются, неудачные повторяются. Параметр --no-resume запускает задания заново и перезаписывает результаты; используйте его с одним рабочим процессом. При смене модели или настроек инференса выбирайте новый выходной каталог.
{"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_promptИсточник:README vivo на GitHub
Пиксельные бюджеты 1K, 2K и 4K
В README target_pixels задан как 1024² для 1K, 1440² для 2K и 4096² для 4K. Это бюджеты количества пикселей: по карточке модели неквадратные входные изображения примерно сохраняют исходное соотношение сторон, а размеры выравниваются до значений, кратных 64.
target_pixels = {
"1K": 1024 * 1024, # 1048576
"2K": 1440 * 1440, # 2073600
"4K": 4096 * 4096, # 16777216
}Источник:README vivo на GitHubКарточка модели на Hugging Face
Снижение расхода памяти с VAE tiling
Для устройств с ограниченной памятью README рекомендует vae_tiling=True. Соответствующий параметр командной строки — --vae-tiling. Он снижает расход памяти автоэнкодера; минимальный объём видеопамяти в README и карточке модели не указан.
pipe = load_pipeline(
"BluePixel-Turbo", device="cuda", vae_tiling=True, mu_mode="empirical"
)Источник:README vivo на GitHub
Прочитайте LICENSE и NOTICE перед развёртыванием
Репозиторий и карточка модели указывают Apache-2.0. Однако в NOTICE для базовой модели Flux 2 Klein указана FLUX Non-Commercial License. Это руководство не подтверждает право на коммерческое самостоятельное размещение; перед использованием весов изучите применимые лицензии.
Источник:Карточка модели на Hugging FaceТекст лицензии (LICENSE)Уведомления о сторонних компонентах (NOTICE)
ComfyUI: сторонняя интеграция
T8mars/Comfyui-BluePixel-T8 — сторонний репозиторий, выпущенный не vivo. Мы не тестировали его узлы и рабочие процессы. Пользуйтесь его собственной документацией; это руководство не содержит проверенной настройки ComfyUI.
Источник:Репозиторий T8mars
Вопросы о скачивании
Нужны ли веса для редактора в браузере?
Нет. Откройте редактор сайта кнопкой онлайн-редактирования. Скачивание и запуск чекпойнта издателя — отдельный локальный процесс.
Все ли результаты имеют ровно 4096 × 4096 пикселей?
Нет. Издатель описывает квадратный вывод 4K размером 4096 × 4096. Неквадратные изображения примерно сохраняют исходные пропорции в пределах пиксельного бюджета, а размеры выравниваются до кратных 64.
Означает ли конфигурация BF16, что веса хранятся в BF16?
Нет. Карточка модели сообщает, что веса трансформера хранятся в float32 с total_size 36,314,324,992 байта. Поле bfloat16 описывает предполагаемый тип данных при инференсе, а не при хранении.
Где найти более ранние чекпойнты?
По карточке модели предыдущие версии доступны в истории коммитов и обозревателе ревизий репозитория Hugging Face. Прочитайте снимок карточки модели для выбранной ревизии.
На каком языке писать инструкции?
Карточка модели описывает чекпойнт как предназначенный для редактирования по английским инструкциям. Она также предупреждает об артефактах и непреднамеренных изменениях: проверяйте результат перед использованием.