Iris 3B: مدل تصویری که بدون VAE مستقیم پیکسل می‌کشه
هوش مصنوعیClaude Opus 5.5خلاصهٔ کامل‌تر
Iris 3B یه مدل تولید تصویر ۳ میلیارد پارامتری از Spirit Labsه که تصویر رو مستقیم تو فضای پیکسل می‌سازه. تقریباً همه مدل‌های معروف مثل Flux و Qwen Image از یه VAE (یعنی شبکه‌ای که عکس رو به یه نسخه فشرده و کوچیک تبدیل می‌کنه) استفاده می‌کنن. اونا عمل denoising رو روی همین نسخه فشرده که بهش latent space می‌گن انجام می‌دن و آخر کار یه decoder دوباره پیکسل‌ها رو می‌سازه. Iris کل این مرحله رو حذف کرده.
معماریش این شکلیه: متن ورودی با یه encoder فریزشده Qwen3-VL 4B (یعنی وزن‌هاش موقع آموزش تغییر نمی‌کنه) و یه adapter کوچیک کد میشه. بعد تصویر نویزی مستقیم به تکه‌های ۱۶ در ۱۶ پیکسلی بریده میشه. بدنه اصلی هشت بلوک dual stream داره که متن و تصویر وزن‌های جدا دارن، بعدش شونزده بلوک single stream که هر دو رو با هم پردازش می‌کنن. هر بلوک از grouped query attention با یه sigmoid gate استفاده می‌کنه و آخر سر چهار بلوک کوچیک هر تکه رو به پیکسل خام برمی‌گردونن.
نویسنده می‌گه VAE با اینکه سریعه، یه لایه فشرده‌سازی با اتلافه. هر چیزی که decoder نتونه درست بازسازی کنه، سقف کیفیت تصویر میشه، مخصوصاً تو جزئیات ریز و تکراری. تو تست‌ها، تصویر یه قالی‌باف اصفهانی طرح‌های فرش رو خیلی دقیق نشون داده و پرتره‌ها منافذ پوست، تارهای ریش و بافت پارچه رو تیز درآوردن. حتی تاخوردگی کاغذ فانوس‌های آسمونی هم دیده می‌شده، یعنی همون جاهایی که مدل‌های latent معمولاً محوش می‌کنن.
هزینه‌ش سرعته: ساخت هر تصویر حدود یک تا سه دقیقه طول می‌کشه که خیلی کندتر از مدل‌های latent diffusion هست. ولی مصرف VRAM زیر ۲۸ گیگابایته، یعنی تو همون حدود Flux و Qwen Image. پس حذف VAE حافظه رو زیاد بالا نبرده، فقط زمان رو بیشتر کرده. نکته جذاب‌تر اینه که همین مدل با فاین‌تیون جدا، depth estimation (یعنی تخمین فاصله هر نقطه از دوربین) و upscaling هم انجام می‌ده. تو تست، عمق مفصل‌های انگشت رو درست جدا کرده و عکس‌های تار رو واضح‌تر کرده.
ضعف اصلیش تو دقت فرهنگی و قومیه. مثلاً برای یه بزرگ‌تر بومی استرالیایی، رنگ اُخرای قرمز و سربند بافته رو درست کشیده ولی چهره اصلاً شبیه بومی‌های استرالیا نبوده. ترکیب فضانورد و کابوی تگزاسی تقریباً بخش فضا رو جا انداخته و «کنافه» فلسطینی بیشتر شبیه باقلوا دراومده. تو صحنه‌های شلوغ هم چهره‌ها تکراری می‌شدن. نویسنده معتقده ارزش اصلی Iris اینه که نشون می‌ده تولید تصویر تو فضای پیکسل تو مقیاس ۳ میلیارد پارامتر شدنیه و یه backbone بینایی می‌تونه چند کار مختلف رو با هم انجام بده.
نکات کلیدی:
- Iris 3B مدل ۳ میلیارد پارامتری Spirit Labs هست و هیچ VAE یا latent space نداره.
- encoder متنش Qwen3-VL 4B فریزشده با یه adapter کوچیکه.
- بدنه مدل ۸ بلوک dual stream و ۱۶ بلوک single stream داره و تصویر رو به تکه‌های ۱۶×۱۶ پیکسلی می‌بره.
- مصرف VRAM زیر ۲۸ گیگابایته، هم‌رده Flux و Qwen Image.
- ساخت هر تصویر حدود ۱ تا ۳ دقیقه طول می‌کشه.
- همون وزن‌ها با فاین‌تیون، depth estimation و upscaling هم انجام می‌دن.
- تو نمایش چهره‌های قومی و غذاها یا ترکیب‌های فرهنگی خاص خطا داره.
