腾讯混元推出6G显存DiT模型，混元Captioner正式开源。

据称，腾讯混元团队发布了图像生成模型（简称DiT），该模型旨在提升6G通信领域的图像处理能力，并为用户提供更卓越的创作体验。该模型结合了LoRA、ControlNet等先进技术，并融入了Kohya模型训练营的成果，旨在促进高质量LoRA模型的开发。DiT模型的1.2版本已发布，并提供模型权重及相关代码。

同时，腾讯还推出了图像生成模型“DiT Captioner”，该模型主要用于图像内容理解，通过对图像进行深度分析，能够准确识别图像中的物体，提高图像质量及整体效果。用户可以利用该工具快速生成高质量的图像描述。

具体来说，DiT Captioner模型的应用，有助于优化图像生成过程中的文本对齐及语义理解环节，确保生成的图像内容准确、清晰。该模型不仅能准确识别图像中的物体，还能生成与其相关的描述，提升图像生成质量。

DiT模型的发布是该团队在人工智能领域迈出的重要一步，该模型不仅融合了多种先进技术，还与Hugging Face的生态系统紧密结合，实现了图像生成与通信领域的技术突破。此外，模型权重及相关代码的开放，有助于推动社区发展。

Kohya是一个常用的模型训练工具套件，主要用于创建自定义图像生成模型，它可以帮助用户更好地训练和优化图像生成模型。通过利用Kohya可以更好地调整图像生成模型。

DiT Captioner模型能够识别和理解图像内容，帮助用户更有效地进行图像编辑，它不仅能准确地识别图像中的物体，还能自动生成描述文本，从而简化了图像处理流程。目前，DiT在Github Star上已获得2.6k的关注。

相关链接

https://dit.hunyuan.tencent.com/

代码

https://github.com/Tencent/HunyuanDiT

模型

https://huggingface.co/Tencent-Hunyuan/HunyuanDiT

报告

https://tencent.github.io/HunyuanDiT/asset/HunyuanDiTTechReport05140553.pdf