Sana

InternVL 是 OpenGVLab 开发的一系列开源多模态大型语言模型，旨在提供强大的视觉和语言理解能力，支持包括图像描述、视觉问答、文档理解等多种任务。它具有高性能、多功能和易于使用的特点，是研究和应用多模态人工智能的有力工具。

Janus Pro 7B 是 DeepSeek 团队的开创性 AI 模型，将文本和图像能力结合在一个强大的系统中。基于 DeepSeek-LLM-7b-base，它具有先进的视觉编码，支持高达 384x384 的高分辨率图像处理。

Infinity 是字节跳动推出的基于位级自回归建模的视觉生成模型，能根据语言指令生成高分辨率、逼真的图像。Infinity 通过无限词汇量的标记器、分类器和位自纠正机制，显著提升图像生成的细节和质量。

DeepFloydIF 是 Stability AI 推出的一款强大的文本到图像模型，基于 T5-XXL 语言模型，能精确生成图像并理解文本提示。 模型采用级联像素扩散方法，在 COCO 数据集上表现优越，具有高度写真性和文本集成能力。

Rodin 是由 Hyper3D 开发的可控大规模生成模型，用于创建高质量的 3D 资产。

ControlNet 不是独立的图像生成模型。相反，它是一个功能强大的附加组件，可与其他模型（如 Stable Diffusion）配合使用。它让你可以对生成的图像的结构和组成进行令人难以置信的控制。