Codificador de texto
Em um gerador de imagens ou vídeos, o codificador de texto é um modelo de linguagem separado que transforma o seu prompt em números que o gerador pode usar. Ele aumenta o download e o uso de memória.
Um gerador de imagens costuma ser um pipeline de partes. Um codificador de texto lê o prompt, um transformer de difusão cria a imagem em um espaço comprimido e um autoencoder (VAE) transforma o resultado em pixels. O codificador de texto costuma ser um modelo de linguagem completo, então a contagem de parâmetros de um modelo pode fazer o que você precisa baixar parecer menor do que é.
O gerador do MOSS-Image é de 5B, mas o repositório tem 27.2 GB, dos quais 16.8 GB são o codificador de texto Qwen3.5-9B. O gerador de 6B do Z-Image vem com um codificador de texto de 8 GB, o codificador de 8B do Qwen-Image-2.1 faz o pipeline completo ter cerca de 33 GB, e o codificador de 66.7 GB do MiniMax H3-Image é quase tão grande quanto o resto dos seus arquivos. Anima é o caso oposto, com um codificador de 1.19 GB em um pipeline de 5.6 GB. Ao planejar memória, some o codificador ao gerador e lembre-se de que muitas ferramentas conseguem descarregar ou liberar o codificador depois que ele lê o prompt.
Termos relacionados
- Modelo de difusão Um modelo de difusão gera imagens ou vídeo partindo de ruído aleatório e removendo o ruído passo a passo até que uma imagem apareça.
- Parâmetros Parâmetros são os números dentro de um modelo que são ajustados durante o treinamento; sua contagem, como 7B ou 70B, é a medida usual do tamanho de um modelo.
- VRAM A VRAM é a memória de uma placa gráfica; ela decide quais modelos uma GPU consegue abrigar, porque os pesos precisam caber na memória para o modelo rodar rápido.