AuroraIMG2-50M-Preview

AuroraIMG2-50M-Preview

微型文字生成图像模型，根据英文提示词生成固定 256 乘 256 的图片，基于从零训练的 50.4M 流匹配 Transformer。这是一个预览版本，适合研究人员和爱好者。

由 AuroraAI-Research 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：AuroraIMG2-50M-Preview 能根据文字提示词生成 256 乘 256 的图片。它的去噪器有 50.4M 参数，文本编码器有 12.6M 参数，两者都是从零训练的。一个冻结的 FLUX.2 small 解码器原样放在 vae 文件夹里，负责把模型的潜在向量变成最终的像素。作者称它是预览版本。

适合谁：它适合想试用一个微型的文字生成图像模型、并能用一个简短 Python 脚本运行它的研究人员、学生和爱好者。

行业 | 谁在用 | 怎么用 | 例子
研究 | 扩散模型研究人员 | 研究一个只在单块 GPU 上训练的小型流匹配模型 | 测试多少步还能得到可用的图像
教育 | 学生 | 了解文本编码器和去噪器如何配合 | 对照输出阅读管线代码
业余 AI | 爱好者 | 在自己的机器上用英文提示词生成小图片 | 生成一张故事书风格的图片
原型开发 | 开发者 | 在测试应用里试用一个轻量的文字生成图像步骤 | 一次调用里批量处理多个提示词

如果你需要更大的图片或其他语言的提示词，可以跳过它，因为尺寸固定为 256 乘 256，列出的语言是英语。

用在哪里：你在使用 diffusers 库的 Python 脚本里运行它。

• 装有 Python 的 Windows、macOS 或 Linux
• 有 CUDA GPU 就用它，否则用 CPU，模型卡里的代码会自行选择
• 使用 diffusers、并允许远程代码的脚本或笔记本

场景 | 适合谁 | 得到什么
根据提示词生成一张图 | 爱好者 | 一张保存为文件的 256 乘 256 图片
一次生成多张图 | 开发者 | 根据一组提示词得到一批图片
快速草稿 | 研究人员 | 用 20 步更快得到结果

如何设置：这个仓库使用自定义管线，所以加载时需要打开 trust_remote_code。模型文件在全精度下约 202 MB。

• 装有 torch 和 diffusers 的 Python
• 允许运行随模型一起提供的管线代码
• 为约 202 MB 的权重留出磁盘空间

1. 下载模型文件，或者让代码自己获取。
2. 打开 Python 脚本，导入 torch 和 DiffusionPipeline。
3. 用自定义管线名称加载管线，并把 trust_remote_code 设为 True。

pip install -U huggingface_hub
hf download AuroraAI-Research/AuroraIMG2-50M-Preview

如何使用：加载管线，选一个种子，然后传入提示词、步数和引导系数来调用它。模型卡推荐 50 步、引导系数 3.0，快速运行可用 20 步。

工具 | 作用
DiffusionPipeline.from_pretrained | 用自定义管线加载模型
pipe | 把提示词变成一张或多张图片
num_images_per_prompt | 为每个提示词生成多张图片

import torch
from diffusers import DiffusionPipeline

device = "cuda" if torch.cuda.is_available() else "cpu"

pipe = DiffusionPipeline.from_pretrained(
    "AuroraAI-Research/AuroraIMG2-50M-Preview",
    custom_pipeline="AuroraAI-Research/AuroraIMG2-50M-Preview",
    trust_remote_code=True,
).to(device)

generator = torch.Generator(device=device).manual_seed(0)
image = pipe(
    prompt="A tiny wooden house on top of a giant red mushroom in an enchanted forest, warm glowing windows, soft morning sunlight, little flowers and moss, magical storybook illustration, vibrant colors, charming and detailed.",
    num_inference_steps=50,
    guidance_scale=3.0,
    generator=generator,
).images[0]
image.save("auroraimg2.png")

传入提示词列表即可批量生成。这里没有负面提示词，因为模型训练时只用了它自己学到的空提示词。

示例：你要一张黄昏时悬崖上灯塔的油画，种子为 0，步数为 50。脚本会把一张 256 乘 256 的图片保存为 png 文件，用同一个种子会再得到同一张图。

新手与专家：文字生成图像模型是根据文字来画图的。先从小处开始：按原样运行一次脚本，打开 auroraimg2.png，然后改一改提示词和种子。

对行家来说，它是带无分类器引导的潜在流匹配，工作在 128 乘 16 乘 16 的 FLUX.2 VAE 潜在空间里。文本编码器是一个 6 层 Transformer，字节级词表有 8192 个词元，与去噪器一起训练。提示词最长 62 个词元，外加开头和结尾。训练在一块 RTX PRO 6000 上用了约 10 小时，共 247,805 步，批大小为 256。

提示词被切成字节级词元
文本编码器把词元变成特征
去噪器用 50 步 Euler 逐步优化潜在向量
冻结的 FLUX.2 解码器把潜在向量变成像素
输出一张 256 乘 256 的图片

注意事项：模型卡在 GenEval 2 上列出的 Soft-TIFA GM 为 6.00，AM 为 36.03。它的八张示例图是最先生成的几张，不是从许多次尝试里挑出来的。基准测试使用 fp32 权重和 bfloat16 自动转换，用 bfloat16 加载能省内存，但没有单独测过。

Title: 各部分参数量，单位为百万
去噪器，从零训练: 50.4 M
文本编码器，从零训练: 12.6 M
冻结的 FLUX.2 解码器: 27.9 M

• License: Apache 2.0，随附的解码器也是 Apache 2.0
• Cost to run: 未提及
• Data it reaches: 你的提示词和你下载的模型文件，以及随模型一起加载的管线代码
• Not for: 256 乘 256 以外尺寸的图片，或需要负面提示词的场景

Hugging Face 上的数据（2026年11月13日）

• 任务：text to image
• 框架：diffusers
• 参数量：50.4M
• Weights: about 202 MB in F32; about 25 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：159
• 点赞：19
• 许可证：apache-2.0
• 语言：en
• 标签：diffusers, safetensors, text-to-image, flow-matching, rectified-flow, latent-diffusion, diffusion-transformer, tiny-model, from-scratch, muon, auroraimg

链接

• 模型：https://huggingface.co/AuroraAI-Research/AuroraIMG2-50M-Preview
• 文件：https://huggingface.co/AuroraAI-Research/AuroraIMG2-50M-Preview/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download AuroraAI-Research/AuroraIMG2-50M-Preview

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。