智譜技術團隊今天宣布開源文生圖模型CogView3 及 CogView3-Plus-3B，該系列模型的能力已經上線“智譜清言”App。

　　據介紹，CogView3 是一個基于級聯擴散的 text2img 模型，其包含如下三個階段：

　　第一階段：利用標準擴散過程生成 512x512 低分辨率的圖像。

　　第二階段：利用中繼擴散過程，執行 2 倍的超分辨率生成，從 512x512 輸入生成 1024x1024 的圖像。

　　第三階段：將生成結果再次基于中繼擴散迭代，生成 2048×2048 高分辨率的圖像。

　　官方表示，在實際效果上，CogView3 在人工評估中比目前最先進的開源文本到圖像擴散模型 SDXL 高出 77.0%，同時只需要 SDXL 大約 1/10 的推理時間。

　　CogView3-Plus 模型則在 CogView3(ECCV'24)的基礎上引入了最新的 DiT 框架，以實現整體性能的進一步提升。據介紹，其采用 Zero-SNR 擴散噪聲調度，并引入了文本-圖像聯合注意力機制。與常用的 MMDiT 結構相比，它在保持模型基本能力的同時，有效降低訓練和推理成本。CogView-3Plus 使用潛在維度為 16 的 VAE。