智谱开源新一代文生图模型 CogView3-Plus

智谱宣布开源文生图模型 CogView3 及 CogView3-Plus-3B。CogView3 以及 CogView3-Plus 模型均使用 Apache 2.0 协议，目前该系列模型的能力已上线「智谱清言」（chatglm.cn）。

CogView3-Plus-3B 的效果：

CogView3 是一个基于级联扩散的 text2img 模型，包含三个阶段：

• 第一阶段：利用标准扩散过程生成 512x512 低分辨率的图像。
• 第二阶段：利用中继扩散过程，执行 2 倍的超分辨率生成，从 512x512 输入生成 1024x1024 的图像。
• 第三阶段：将生成结果再次基于中继扩散迭代，生成 2048×2048 高分辨率的图像。

公告称，在实际效果上，CogView3 在人工评估中比目前最先进的开源文本到图像扩散模型 SDXL 高出 77.0%，同时只需要 SDXL 大约 1/10 的推理时间。

CogView-3-Plus 在 CogView3（ECCV'24） 的基础上引入了最新的 DiT 框架，以实现整体性能的进一步提升。其采用了 Zero-SNR 扩散噪声调度，并引入了文本-图像联合注意力机制。与常用的 MMDiT 结构相比，它在保持模型基本能力的同时，有效降低了训练和推理成本。CogView-3Plus 使用潜在维度为 16 的 VAE。

借由混合分辨率训练，CogView-3Plus 模型支持 512 ~ 2048 像素区间内分辨率的灵活生成。从效果上看，CogView3-plus 有着和最领先的 text2img 模型持平的水平。