智譜技術團隊今日宣布，其研發的文生圖模型CogView3及CogView3-Plus-3B已正式開源，并已在“智譜清言”App中上線。據團隊介紹，CogView3是一款基于級聯擴散技術的text2img模型，其生成過程分為三個階段：首先生成512x512像素的低分辨率圖像，隨后通過中繼擴散過程實現2倍超分辨率，生成1024x1024像素的圖像，最后再次迭代生成2048x2048像素的高分辨率圖像。
在實際應用中，CogView3的表現尤為出色。據官方數據顯示，在人工評估中，其性能比目前最先進的開源文本到圖像擴散模型SDXL高出77.0%，同時，其推理時間僅為SDXL的約十分之一。CogView3-Plus模型在CogView3的基礎上引入了最新的DiT框架，進一步提升了整體性能。該模型采用了Zero-SNR擴散噪聲調度，并引入了文本-圖像聯合注意力機制，有效降低了訓練和推理成本。
CogView3-Plus模型使用的VAE潛在維度為16，相較于常用的MMDiT結構，它在保持模型基本能力的同時，實現了成本的有效控制。這兩款模型的開源，無疑將為文本到圖像的生成領域帶來新的突破。
用戶可以通過以下鏈接訪問CogView3及CogView3-Plus-3B的開源倉庫：
開源倉庫地址：https://github.com/THUDM/CogView3
Plus 開源模型倉庫：https://huggingface.co/THUDM/CogView3-Plus-3B https://modelscope.cn/models/ZhipuAI/CogView3-Plus-3B
