اجرای محلی Iris 3B: چقدر VRAM و چقدر صبر لازمه؟
هوش مصنوعیClaude Opus 5.5خلاصهٔ کامل‌تر
Iris 3B مدل تولید تصویر ۳ میلیارد پارامتری Spirit Labsه که بدون VAE و latent space کار می‌کنه، یعنی تصویر رو قبل از پردازش به یه نسخه فشرده تبدیل نمی‌کنه و مستقیم پیکسل می‌کشه. این مقاله روی اجرای محلی تمرکز داره و بر اساس دموییه که Fahad Mirza تو کانالش نشون داده.
تو تست عملی، مصرف VRAM کمی زیر ۲۸ گیگابایت بوده. برای یه مدل ۳ میلیاردی این عدد بالاست و هم‌رده Flux و Qwen Image قرار می‌گیره. به گفته نویسنده دلیلش معماری پیکسلی‌شه: وقتی VAE تصویر رو کوچیک نکنه، مدل باید کل نمایش پیکسلی رو تو طول ساخت تصویر نگه داره. یعنی با کارت‌های ۸ یا ۱۲ گیگی نمی‌شه اجراش کرد و دست‌کم یه کارت ۲۴ گیگی به بالا مثل RTX 3090 یا RTX 4090 لازمه. اگه همچین کارتی نداری، اجاره ساعتی GPU تو کلاد برای امتحانش راه منطقی‌ایه.
نصبش طبق الگوی معمول مدل‌های Hugging Faceه: دستورالعمل‌ها روی model card هست و یه رابط Gradio هم روش سوار شده که تو مرورگر کار می‌کنه. این دمو سه حالت داره: تولید تصویر از متن، depth estimation (یعنی تخمین فاصله هر نقطه از دوربین) و upscaling. سازنده دمو تعداد inference step و guidance scale رو روی مقادیر پیشنهادی Spirit Labs نگه داشته تا خروجی‌ها با نمونه‌های رسمی قابل مقایسه باشن. چون مرحله جدای decode نداره، قطعات کمتری برای مدیریت هست، ولی همین باعث کندیش هم میشه.
ساخت هر تصویر حدود یک تا سه دقیقه طول می‌کشه، در حالی که مدل‌های latent diffusion معمولاً تو چند ثانیه تا چند ده ثانیه جواب می‌دن. نویسنده معتقده این سرعت از VRAM مهم‌تره: ۲۸ گیگ یه تصمیم سخت‌افزاری یک‌باره‌ست، ولی سه دقیقه انتظار هزینه‌ایه که سر هر تصویر می‌دی. یعنی برای اصلاح پشت‌سرهم prompt یا تولید دسته‌ای خیلی کاربردی نیست.
از نظر کیفیت، بافت پوست، تار ریش، بافت پارچه، طرح فرش و حتی برفک روی مژه‌ها خیلی تیز دراومدن. عمق‌سنجی تا زاویه انگشت‌ها دقیق بوده و upscaling جزئیاتی مثل رنگ پوسته‌شده رو خوانا کرده. ولی دقت موضوعی یکدست نیست: چهره یه بزرگ‌تر بومی استرالیایی درست درنیومده، پوست کانگورو شبیه پوست پلنگ شده، ترکیب فضا و کابوی بخش فضا رو جا انداخته و کنافه شبیه باقلوا شده. در عوض صحنه‌هایی از یاکوتیا، بزرگان بلوچ تو قلات، رقص زولو و قالی‌بافی ایرانی خوب دراومدن.
از نظر معماری، متن با Qwen3-VL 4B فریزشده کد میشه، تصویر به تکه‌های ۱۶×۱۶ بریده میشه و از ۸ بلوک dual stream و ۱۶ بلوک single stream رد میشه. چون هیچ فشرده‌سازی‌ای در کار نیست، کل نمایش پیکسلی باید از همه این بلوک‌ها عبور کنه. نتیجه‌ش همون VRAM بالا و زمان طولانیه که هر کسی اجراش می‌کنه باید براش برنامه بریزه.
نکات کلیدی:
- Iris 3B برای اجرای محلی کمی زیر ۲۸ گیگابایت VRAM مصرف می‌کنه.
- کارت‌های ۸ و ۱۲ گیگی کافی نیستن و حداقل کلاس ۲۴ گیگ مثل RTX 3090 یا 4090 لازمه.
- ساخت هر تصویر حدود ۱ تا ۳ دقیقه طول می‌کشه.
- نصب از model card روی Hugging Face انجام میشه و دموی Gradio سه حالت تولید تصویر، عمق‌سنجی و upscaling داره.
- بافت و جزئیات ریز قویه ولی تو موضوعات فرهنگی کمتر شناخته‌شده خطا می‌کنه.
