文本编码器
在图像或视频生成模型里,文本编码器是一个独立的语言模型,负责把你的提示词变成生成器能用的数字。它会增加下载量和内存占用。
图像生成器通常是由几个部件组成的流水线。文本编码器读取提示词,扩散 Transformer 在压缩空间里画出图像,自编码器(VAE)再把结果变成像素。文本编码器常常是一个完整的语言模型,所以模型的参数量可能低估了你要下载的东西。
MOSS-Image 的生成器只有 5B,但仓库有 27.2 GB,其中 16.8 GB 是 Qwen3.5-9B 文本编码器。Z-Image 的 6B 生成器带着 8 GB 的文本编码器,Qwen-Image-2.1 的 8B 编码器让整条流水线约 33 GB,MiniMax H3-Image 的 66.7 GB 编码器几乎和它其余的文件一样大。Anima 则相反,1.19 GB 的编码器放在 5.6 GB 的流水线里。规划内存时,要把编码器和生成器加在一起,并记住许多工具可以在编码器读完提示词之后把它卸载或移出显存。
相关术语
- 扩散模型 扩散模型从随机噪声出发,一步一步去除噪声,最终生成图像或视频。
- 参数 参数是模型内部在训练中被调整的数字,参数数量(如 7B 或 70B)是衡量模型规模的常用指标。
- 显存(VRAM) 显存是显卡上的内存,它决定了一块 GPU 能容纳哪些模型,因为权重必须装得进内存,模型才能快速运行。