Speridlabs выпустили Iris-3B — генератор изображений, который рисует пиксели напрямую, без VAEi и латентного пространства: промпт сразу превращается в картинку 1024px, ничего не теряется при сжатии. Модель построена на одном бэкбоне, который финтюнят под разные задачи — text-to-image, оценку глубины, реставрацию и апскейл изображений.

Через несколько дней после релиза Speridlabs показали 4-шаговую версию Iris-3B: она генерирует изображение 1024x1024 всего за 0.7 секунды на GPU H100, что делает модель одной из самых быстрых в пиксельном пространстве.

• Модель имеет 3B параметров и использует замороженный текстовый энкодер Qwen3-VL-4B (лицензия Apache 2.0)
• Веса занимают около 12 ГБ для text-to-image задачи и ещё по ~12 ГБ для depth-оценки и апскейлера
• Для работы требуется NVIDIA GPU с поддержкой CUDA
• Iris-3B позиционируется как альтернатива vision-фундаментам вроде DINOv2i
• Архитектура не меняется под разные задачи — используется один и тот же бэкбон, только финтюн
• Параллельно NVIDIA выпустила на Hugging Face 4-битную квантованную версию модели Qwen-Image (Qwen-Image-NVFP4i); качество генерации почти не уступает 16-битному базовому варианту