Lumina-T2X

收录理由

Lumina-T2X 用一个统一的代码库把文生图、文生视频、文生音频和 3D 生成串在了一起，底层都是同一套基于流的扩散 Transformer 架构，训练和推理的流程也共用。项目里直接给出了 Lumina-Next 图像模型的可用管线，包括 2K 分辨率版本，以及根据多个区域描述进行组合生成的能力；音乐和音频模块也一并带上，权重在 Hugging Face 和 WiseModel 上都能找到。实际使用的场景也覆盖到了，比如图生图转换、Dreambooth 风格微调、对 SD3 的支持，而且图像管线能接进 Hugging Face 的 diffusers 生态，也有 ComfyUI 的封装。仓库里还整理了 Flag-DiT 和 Next-DiT 的训练对比材料，想研究扩散 Transformer 设计的开发者可以拿来直接参考。如果不想调 API，而是想亲手跑通一个前沿的流匹配 Transformer 做复现，这里的代码是具体且能运行的。