Text-Encoder
In einem Bild- oder Videogenerator ist der Text-Encoder ein separates Sprachmodell, das Ihren Prompt in Zahlen umwandelt, mit denen der Generator arbeiten kann. Er vergrößert Download und Speichernutzung.
Ein Bildgenerator ist meist eine Pipeline aus Teilen. Ein Text-Encoder liest den Prompt, ein Diffusion-Transformer erzeugt das Bild in einem komprimierten Raum, und ein Autoencoder (VAE) verwandelt das Ergebnis in Pixel. Der Text-Encoder ist oft ein vollständiges Sprachmodell, deshalb kann die Parameterzahl eines Modells das, was Sie herunterladen müssen, zu niedrig ausweisen.
MOSS-Image hat einen 5B-Generator, aber sein Repository ist 27,2 GB groß, wovon 16,8 GB auf den Text-Encoder Qwen3.5-9B entfallen. Der 6B-Generator von Z-Image kommt mit einem 8-GB-Text-Encoder, der 8B-Encoder von Qwen-Image-2.1 bringt die gesamte Pipeline auf rund 33 GB, und der 66,7-GB-Encoder von MiniMax H3-Image ist fast so groß wie der Rest seiner Dateien. Anima ist der umgekehrte Fall, mit einem 1,19-GB-Encoder in einer 5,6-GB-Pipeline. Planen Sie den Speicher, rechnen Sie den Encoder zum Generator dazu, und denken Sie daran, dass viele Tools ihn auslagern oder freigeben können, sobald er den Prompt gelesen hat.
Verwandte Begriffe
- Diffusionsmodell Ein Diffusionsmodell erzeugt Bilder oder Videos, indem es von zufälligem Rauschen ausgeht und das Rauschen Schritt für Schritt entfernt, bis ein Bild entsteht.
- Parameter Parameter sind die Zahlen in einem Modell, die während des Trainings angepasst werden; ihre Anzahl, etwa 7B oder 70B, ist das übliche Maß für die Größe eines Modells.
- VRAM VRAM ist der Speicher auf einer Grafikkarte; er entscheidet, welche Modelle eine GPU fassen kann, denn die Gewichte müssen in den Speicher passen, damit das Modell schnell läuft.