PixArt-Sigma: ओपन सोर्स AI इमेज मॉडल को समझें

PixArt-Sigma AI इमेज मॉडलों की उस श्रेणी में आता है जिसे ज़्यादातर लोग नज़रअंदाज़ कर देते हैं: ओपन-सोर्स, रिसर्च-ग्रेड और चुपचाप शक्तिशाली। इसे Huawei Noah's Ark Lab की PixArt टीम ने जारी किया था। यह पिछले PixArt-α आर्किटेक्चर पर बना है और इसने इमेज रेज़ोल्यूशन, टेक्स्ट एलाइनमेंट और विज़ुअल फ़िडेलिटी को और आगे बढ़ाया, वह भी इतने इन्फ़्रास्ट्रक्चर बजट की माँग किए बिना, जितना उसके व्यावसायिक प्रतिस्पर्धी माँगते हैं। अगर आपने Flux Dev या Stable Diffusion 3.5 Large से इमेज बनाने में समय बिताया है, तो यह समझना कि PixArt-Sigma अलग तरह से क्या करता है, आपको एक साफ़ तस्वीर देगा कि टेक्स्ट-टू-इमेज तकनीक अंदर से असल में कैसे काम करती है।

PixArt-Sigma असल में क्या है

PixArt-Sigma टेक्स्ट-टू-इमेज सिंथेसिस के लिए एक Diffusion Transformer (DiT) मॉडल है। मूल विचार यह है: Stable Diffusion के शुरुआती आर्किटेक्चर की पहचान बने कन्वोल्यूशनल U-Net बैकबोन की जगह, PixArt-Sigma डिफ़्यूज़न डीनॉइज़िंग प्रक्रिया के दौरान लेटेंट रिप्रेज़ेंटेशन को प्रोसेस करने के लिए ट्रांसफ़ॉर्मर ब्लॉक्स का इस्तेमाल करता है। ट्रांसफ़ॉर्मर भाषा, विज़न और अब इमेज जनरेशन में बड़े पैमाने पर अपनी क्षमता साबित कर चुके हैं, और PixArt-Sigma दिखाता है कि यह आर्किटेक्चरल बदलाव क्यों मायने रखता है।

इस मॉडल को 4096 x 4096 पिक्सल तक के रेज़ोल्यूशन पर इमेज बनाने के लिए ट्रेन किया गया था, एक ऐसी सीमा जहाँ इसकी रिलीज़ के समय ज़्यादातर ओपन-सोर्स मॉडल नहीं पहुँच पाए थे। इससे भी ज़्यादा अहम बात यह है कि इसे ऐसे ट्रेनिंग बजट के साथ डिज़ाइन किया गया था जो व्यावसायिक विकल्पों के खर्च के एक हिस्से जितना है। PixArt टीम ने मॉडल के साथ अपनी ट्रेनिंग लागत भी प्रकाशित की, जो ऐसे क्षेत्र में दुर्लभ है जहाँ कंपनियाँ इन्फ़्रास्ट्रक्चर खर्च को प्रतिस्पर्धात्मक बढ़त मानती हैं। इन आँकड़ों ने रिसर्च कम्युनिटी का ध्यान खींचा।

U-Net नहीं, DiT पर बना

U-Net और Diffusion Transformer के बीच का आर्किटेक्चरल अंतर सिर्फ़ अकादमिक नहीं है। U-Net एन्कोडर और डीकोडर लेयर्स के बीच स्किप कनेक्शन के ज़रिए स्पेशियल जानकारी प्रोसेस करते हैं। ये अच्छा काम करते हैं, लेकिन कुशलता से स्केल करने में मुश्किल होती है, क्योंकि कन्वोल्यूशनल लेयर्स अलग-अलग रेज़ोल्यूशन और प्रॉम्प्ट की जटिलता में एक जैसी तरह से सामान्यीकरण नहीं करतीं। ट्रांसफ़ॉर्मर पूरे स्पेशियल कॉन्टेक्स्ट पर सेल्फ़-अटेंशन इस्तेमाल करते हैं, यानी हर डीनॉइज़िंग स्टेप पर मॉडल इमेज के हर हिस्से को बाकी हर हिस्से के मुकाबले तौल सकता है।

इमेज क्वालिटी में यह कंपोज़िशनल कोहेरेंस में सबसे साफ़ दिखता है। जब कोई प्रॉम्प्ट कई ऑब्जेक्ट्स को किसी खास तरीके से एक-दूसरे से इंटरैक्ट करते हुए माँगता है, तो DiT-आधारित मॉडल U-Net वाले समकक्षों की तुलना में स्पेशियल रिश्तों का ज़्यादा सटीकता से पालन करते हैं। PixArt-Sigma ने यह गुण PixArt-α से विरासत में लिया और बेहतर ट्रेनिंग डेटा और एक बड़े टेक्स्ट एन्कोडर के ज़रिए इसमें काफ़ी सुधार किया।

दो-चरणीय ट्रेनिंग का तरीका

PixArt-Sigma की सबसे व्यावहारिक रूप से अहम खासियतों में से एक इसकी ट्रेनिंग रणनीति है। टीम ने एक दो-चरणीय पाइपलाइन विकसित की जो अंतिम आउटपुट की क्वालिटी से समझौता किए बिना लागत को नाटकीय रूप से कम करती है:

• पहला चरण: कम लागत वाले, कम रेज़ोल्यूशन के डेटा पर ट्रेनिंग, ताकि मॉडल टेक्स्ट और विज़ुअल कंटेंट के बीच कॉन्सेप्ट एलाइनमेंट सीखे। मॉडल सीखता है कि चीज़ें कैसी दिखनी चाहिए।
• दूसरा चरण: चुने हुए हाई-रेज़ोल्यूशन, हाई-क्वालिटी इमेज-टेक्स्ट पेयर्स पर फ़ाइन-ट्यूनिंग। मॉडल सीखता है कि वे कॉन्सेप्ट बारीक डिटेल और स्केल पर कैसे रेंडर होते हैं।

इस तरीके से हाई-रेज़ोल्यूशन ट्रेनिंग चरण की लागत घटती है, क्योंकि मॉडल पूरे रेज़ोल्यूशन पर शुरू से बुनियादी सिमेंटिक्स नहीं सीख रहा होता। PixArt-Sigma की पूरी ट्रेनिंग के लिए प्रकाशित लागत लगभग $32,000 USD थी, जबकि उस समय तुलनीय व्यावसायिक मॉडलों के अनुमान कई मिलियन तक पहुँचते थे। यह लागत आँकड़ा 2024 में ओपन-सोर्स AI इमेज कम्युनिटी में सबसे ज़्यादा उद्धृत आँकड़ों में से एक बन गया।

💡 यह दक्षता की कहानी सिर्फ़ रिसर्चर्स के लिए मायने नहीं रखती। कम ट्रेनिंग लागत का मतलब है तेज़ इटरेशन साइकल, कम्युनिटी द्वारा योगदान किए गए ज़्यादा फ़ाइन-ट्यून्स, और बिना संस्थागत बजट की ज़रूरत के बेस मॉडल पर बने ज़्यादा विशेष वर्ज़न।

यह बड़े मॉडलों से कैसे मुकाबला करता है

कच्चे क्वालिटी बेंचमार्क कहानी का एक हिस्सा बताते हैं। PixArt-Sigma का मूल्यांकन इसकी रिलीज़ के समय FID (Fréchet Inception Distance), CLIP स्कोर और ह्यूमन प्रेफ़रेंस स्टडीज़ पर हुआ था। FID में कम संख्या बेहतर होती है, क्योंकि यह जनरेट की गई इमेज डिस्ट्रीब्यूशन और असली इमेज डिस्ट्रीब्यूशन के बीच स्टैटिस्टिकल दूरी मापता है। यह मॉडल उन मॉडलों के करीब स्कोर हासिल करता है जिन्हें कहीं ज़्यादा लागत पर ट्रेन किया गया था, और इससे आर्किटेक्चरल चुनावों और डेटा क्यूरेशन रणनीति, दोनों की पुष्टि हुई।

ध्यान देने लायक बेंचमार्क नतीजे

PixArt-α से Sigma तक की छलांग तीन सुसंगठित बदलावों से आई। पहला, T5-XXL टेक्स्ट एन्कोडर अपनाने से मॉडल को जटिल प्रॉम्प्ट की कहीं ज़्यादा समृद्ध सिमेंटिक समझ मिली। दूसरा, इमेज डेटा पाइपलाइन को ज़्यादा सटीक कैप्शन वाले बेहतर इमेज-टेक्स्ट पेयर्स के आधार पर फिर से बनाया गया। तीसरा, DiT ब्लॉक्स के अंदर अटेंशन मैकेनिज़्म को लंबे सीक्वेंस लेंथ और ज़्यादा रेज़ोल्यूशन पर काम करने के लिए ऑप्टिमाइज़ किया गया, ताकि मेमोरी की ज़रूरत बेकाबू न हो।

दक्षता का अंतर

सबसे अहम तुलना PixArt-Sigma और उसके पिछले वर्ज़न के बीच नहीं है। यह उन व्यावसायिक मॉडलों के साथ तुलना है जो उसके समकालीन थे। पेपर की मध्य-2024 की रिलीज़ के समय, PixArt-Sigma कई तरह के प्रॉम्प्ट पर आउटपुट क्वालिटी के मामले में DALL-E 3, Midjourney v6 और Stable Diffusion 3 के आसपास था।

अंतर असली था, लेकिन पूरा नहीं। फ़ोटोरियलिस्टिक पोर्ट्रेट पर Black Forest Labs का Flux Dev ऐसे नतीजे देता है जिन्हें ज़्यादातर प्रोफ़ेशनल यूज़र पसंद करते हैं। क्रिएटिव स्टाइलाइज़्ड आउटपुट पर Ideogram v3 Turbo टेक्स्ट रेंडरिंग और टाइपोग्राफ़िक सटीकता में ऐसे फ़ायदे देता है जिनकी बराबरी PixArt-Sigma नहीं कर पाता। लेकिन कम इन्फ़्रास्ट्रक्चर लागत पर शुद्ध टेक्स्ट-टू-फ़ोटोरियलिस्टिक सीन जनरेशन के लिए, PixArt-Sigma अब भी यह समझने का एक प्रभावशाली संदर्भ बिंदु है कि कुशल, सिद्धांत-आधारित ओपन-सोर्स डिज़ाइन क्या हासिल कर सकता है।

ओपन सोर्स का मतलब सिर्फ़ मुफ़्त कोड नहीं

जब लोग कहते हैं कि कोई मॉडल "ओपन सोर्स" है, तो आम तौर पर उनका मतलब होता है कि उसके वेट्स डाउनलोड किए जा सकते हैं। PixArt-Sigma के साथ खुलापन इससे आगे जाता है। ट्रेनिंग कोड, डेटासेट पाइपलाइन आर्किटेक्चर और इवैल्यूएशन स्क्रिप्ट्स, सब GitHub पर सार्वजनिक रूप से उपलब्ध हैं और साथ आए रिसर्च पेपर में दस्तावेज़ीकृत हैं। यह लागत से आगे कई कारणों से मायने रखता है।

इसे लोकल पर चलाना

PixArt-Sigma Hugging Face की Diffusers लाइब्रेरी के साथ संगत है, यानी लोकल डिप्लॉयमेंट इकोसिस्टम के सैकड़ों दूसरे मॉडलों जैसे ही पैटर्न पर चलता है। मॉडल वेट्स Hugging Face Hub पर होस्ट हैं। 24GB VRAM वाले आधुनिक GPU पर 1024px रेज़ोल्यूशन का एक सामान्य इनफ़रेंस रन 10 सेकंड से कम में पूरा हो जाता है। तुलना के लिए, Stable Diffusion 3.5 Large की तुलनीय रेज़ोल्यूशन पर हार्डवेयर ज़रूरतें लगभग इसके जैसी ही हैं।

लोकल यूज़र्स के लिए हार्डवेयर के हिसाब से व्यावहारिक अंतर कम है। सैद्धांतिक अंतर इस बात में है कि आप कोड के साथ क्या कर सकते हैं: PixArt-Sigma को संशोधित किया जा सकता है, किसी पिछले चेकपॉइंट से फिर से ट्रेन किया जा सकता है, और मॉडल आर्किटेक्चर पर किसी लाइसेंसिंग प्रतिबंध के बिना बढ़ाया जा सकता है।

कम्युनिटी फ़ोर्क्स और फ़ाइन-ट्यून्स

क्योंकि आर्किटेक्चर और ट्रेनिंग तरीका पूरी तरह दस्तावेज़ीकृत है, PixArt-Sigma ने कई सौंदर्यात्मक डोमेन में कम्युनिटी-विकसित फ़ाइन-ट्यून्स को आकर्षित किया है। एनीमे-केंद्रित फ़ाइन-ट्यून्स, फ़ोटोरियलिस्टिक पोर्ट्रेट वैरिएंट्स और कॉन्सेप्ट-विशिष्ट LoRA एडैप्टर्स ट्रेन और साझा किए गए हैं। जिस इकोसिस्टम ने Stable Diffusion पर हज़ारों फ़ाइन-ट्यून्स बनाए, उसने PixArt-Sigma के साथ भी जुड़ाव दिखाया है, हालाँकि शुरुआती मॉडल की ज़्यादा बेस क्वालिटी की वजह से यह छोटे पैमाने पर है।

यह एक ऐसा क्षेत्र है जहाँ Flux 2 Pro जैसे मॉडलों के पीछे की कम्युनिटी को संरचनात्मक बढ़त मिलती है: व्यावसायिक समर्थन का मतलब है आधिकारिक टूल्स, मैनेज्ड APIs और समर्पित इंटीग्रेशन सपोर्ट का बड़ा इकोसिस्टम। PixArt टीम रिसर्च प्रकाशित करती है। Black Forest Labs प्रोडक्ट लॉन्च करती है। दोनों मूल्यवान हैं, लेकिन वे मौलिक रूप से अलग वर्कफ़्लो और ज़रूरतों की सेवा करते हैं।

💡 अगर आप चाहते हैं कि आपके खास उपयोग के लिए मॉडल कैसे फ़ाइन-ट्यून हो, इस पर आपका पूरा नियंत्रण हो, तो ओपन ट्रेनिंग कोड उतना ही मायने रखता है जितने ओपन वेट्स। वेट्स आपको मॉडल चलाने देते हैं। कोड आपको खुद मॉडल टीम बनने देता है।

PixArt-Sigma बनाम बाकी मॉडल

टेक्स्ट-टू-इमेज क्षेत्र 2024 और 2025 में तेज़ी से आगे बढ़ा। यह रहा PixArt-Sigma का स्थान उन मॉडलों के मुकाबले जो अभी PicassoIA जैसे प्लेटफ़ॉर्म पर उपलब्ध हैं:

इस तालिका में PixArt-Sigma की अनोखी स्थिति दस्तावेज़ीकृत ट्रेनिंग मेथडोलॉजी और प्रतिस्पर्धी आउटपुट क्वालिटी के संयोजन में है। ज़्यादातर ओपन मॉडल आपको सिर्फ़ वेट्स देते हैं। PixArt-Sigma आपको ट्रेनिंग को दोबारा बनाने या उसे काफ़ी आगे बढ़ाने के लिए पर्याप्त जानकारी देता है। यह खुलेपन की एक अलग श्रेणी है।

जहाँ यह कमज़ोर पड़ता है

PixArt-Sigma की किसी भी ईमानदार समीक्षा में सीमाओं को छोड़ा नहीं जा सकता। यह समझना कि मॉडल क्या अच्छी तरह नहीं कर सकता, उतना ही ज़रूरी है जितना यह समझना कि वह क्या कर सकता है।

प्रॉम्प्ट की जटिलता की सीमाएँ

PixArt-Sigma टेक्स्ट एन्कोडिंग के लिए T5-XXL इस्तेमाल करता है, जो एक बड़ा अपग्रेड है। फिर भी यह मल्टी-सब्जेक्ट प्रॉम्प्ट्स के साथ संघर्ष करता है, जिनमें कई आपस में इंटरैक्ट करने वाले तत्वों की सटीक स्पेशियल पोज़िशनिंग चाहिए होती है। "एक औरत पार्क बेंच के बाईं ओर किताब पढ़ रही है, जबकि एक बच्चा दाईं ओर कुत्ते के साथ खेल रहा है" जैसा प्रॉम्प्ट अक्सर ऐसा सीन देता है जो विवरण के एक हिस्से को पूरा करता है, लेकिन स्पेशियल स्ट्रक्चर खो देता है।

यह सिर्फ़ PixArt-Sigma की समस्या नहीं है। यह आम तौर पर डिफ़्यूज़न मॉडलों की एक ज्ञात सीमा है। RealVisXL v3.0 Turbo जैसे मॉडल, जो खास डेटा के साथ SDXL पर विशेष रूप से ट्रेन किए गए हैं, फ़ाइन-ट्यूनिंग के ज़रिए इसमें सुधार करते हैं। लेकिन मूल स्पेशियल रीज़निंग की चुनौती सभी आर्किटेक्चर में बनी रहती है। 2024 और 2025 के बीच जो बदला वह यह है कि Flux Dev जैसे नए फ़्लो-मैचिंग मॉडल आर्किटेक्चर और ट्रेनिंग डेटा क्यूरेशन, दोनों में सुधार की वजह से इन प्रॉम्प्ट्स को ज़्यादा भरोसेमंद तरीके से संभालते हैं।

व्यवहार में रेज़ोल्यूशन की सीमाएँ

4096px क्षमता असली है, लेकिन इसके साथ व्यावहारिक बाधाएँ आती हैं, जिनका अंदाज़ा ज़्यादातर यूज़र्स पहले से नहीं लगाते। अधिकतम रेज़ोल्यूशन पर इनफ़रेंस का समय काफ़ी बढ़ जाता है और VRAM की ज़रूरत ऐसे बढ़ती है कि कंज़्यूमर GPU पर चलाना मुश्किल हो जाता है। PixArt-Sigma को लोकल पर चलाने वाले ज़्यादातर यूज़र 1024px या 2048px पर काम करते हैं, और फिर दूसरे चरण में सुपर-रेज़ोल्यूशन अपस्केलर लगाते हैं।

यह टू-पास वर्कफ़्लो प्रोडक्शन उपयोग के लिए वास्तव में सुझाया गया तरीका है: एक मैनेज करने योग्य रेज़ोल्यूशन पर जनरेट करें, जहाँ मॉडल सबसे भरोसेमंद है, फिर एक समर्पित मॉडल से अपस्केल करें। Flux 2 Pro मॉडल इसे अलग तरीके से संभालता है: यह 4MP रेज़ोल्यूशन पर ऑप्टिमाइज़्ड इनफ़रेंस के साथ जनरेट करता है, और ऐसे आर्किटेक्चरल चुनावों के ज़रिए रेज़ोल्यूशन स्केलिंग को ज़्यादा सहजता से मैनेज करता है, जो PixArt-Sigma से पहले के हैं।

💡 ज़्यादातर क्रिएटिव वर्कफ़्लो के लिए, 1024px पर जनरेट करके अपस्केल करना एक ही 4096px इनफ़रेंस पास से बेहतर नतीजे देता है। मॉडल मध्यम रेज़ोल्यूशन पर ज़्यादा भरोसेमंद है, और समर्पित अपस्केलर उस दूसरे चरण के लिए खास तौर पर ऑप्टिमाइज़्ड होते हैं।

बड़े पैमाने पर स्पीड

मौजूदा मानकों के हिसाब से PixArt-Sigma तेज़ मॉडल नहीं है। NVIDIA के Sana Sprint 1.6B जैसे मॉडल एक लीनियर अटेंशन DiT इस्तेमाल करते हैं, जो एक ही स्टेप या बहुत कम स्टेप्स में इमेज बनाता है, इसलिए वे कई गुना तेज़ हैं। तेज़ इटरेशन, ब्रेनस्टॉर्मिंग और हाई-वॉल्यूम जनरेशन वर्कफ़्लो के लिए, PixArt-Sigma की मल्टी-स्टेप डिफ़्यूज़न प्रक्रिया एक बॉटलनेक बन जाती है, जिसे नए आर्किटेक्चर काफ़ी हद तक हल कर चुके हैं।

अभी और आगे बढ़ाने वाले मॉडल

PixArt-Sigma एक रिसर्च मॉडल है। इसकी रिलीज़ के बाद से यह क्षेत्र आगे बढ़ चुका है। अगर आपका लक्ष्य आज किसी खास क्रिएटिव काम के लिए सबसे अच्छा संभव आउटपुट पाना है, तो ये वे मॉडल हैं जिन्हें जानना चाहिए:

फ़ोटोरियलिज़्म के लिए Flux Dev

Black Forest Labs का Flux Dev डिफ़्यूज़न ट्रांसफ़ॉर्मर आर्किटेक्चर के भीतर फ़्लो-मैचिंग तरीका इस्तेमाल करता है। फ़ोटोरियलिस्टिक सब्जेक्ट्स, खासकर इंसानी चेहरों और त्वचा की बनावट के लिए नतीजे सीधी तुलना में PixArt-Sigma से लगातार ज़्यादा परिष्कृत हैं। ओपन वेट्स वाला वर्ज़न गैर-व्यावसायिक उपयोग के लिए उपलब्ध है, और Flux से बनी उच्च-क्वालिटी कृतियों की सार्वजनिक रूप से साझा की गई बड़ी मात्रा ने इसे ओपन-सोर्स फ़ोटोरियलिज़्म का डी फ़ैक्टो संदर्भ बना दिया है।

Flux Dev और PixArt-Sigma में जो समान है वह है DiT आधार। PixArt की शुरुआती रिसर्च से लेकर DiT के विभिन्न सुधारों तक की यात्रा सीधे उस तरीके तक जाती है जिससे Flux काम करता है। PixArt-Sigma को समझने से यह समझने में मदद मिलती है कि Flux इतना अच्छा क्यों काम करता है: आर्किटेक्चरल सिद्धांत आपस में जुड़े हैं, और सुधार क्रमिक हैं और एक जैसे रिसर्च लक्ष्यों से प्रेरित हैं।

क्रिएटिव रेंज के लिए Stable Diffusion 3.5

Stable Diffusion 3.5 Large एक Multi-Modal Diffusion Transformer (MM-DiT) इस्तेमाल करता है, जो टेक्स्ट और इमेज टोकन को अलग-अलग एन्कोड करने के बजाय एक संयुक्त अटेंशन स्ट्रीम में प्रोसेस करता है। स्टाइलाइज़्ड, गैर-फ़ोटोरियलिस्टिक आउटपुट के लिए इसकी अभिव्यक्ति की रेंज PixArt-Sigma से ज़्यादा है। SD3.5 के आसपास का फ़ाइन-ट्यून इकोसिस्टम भी अब ज़्यादा परिपक्व है, जहाँ सैकड़ों स्टाइल LoRA और कॉन्सेप्ट एडैप्टर उपलब्ध हैं।

इन दो ओपन मॉडलों की तुलना दिखाती है कि आर्किटेक्चर के चुनाव नतीजे के सौंदर्य को कितना आकार देते हैं। PixArt-Sigma के आउटपुट प्राकृतिक, फ़ोटोरियलिस्टिक रेंडरिंग की ओर झुकते हैं, जो इसकी डेटा पाइपलाइन की प्राथमिकताओं को दर्शाता है। SD3.5 शुरू से ही स्टाइल में ज़्यादा लचीला है, क्योंकि संयुक्त अटेंशन स्ट्रीम टेक्स्ट के स्टाइल संकेतों को इमेज पर सीधे ज़्यादा असर डालने देती है।

अभी इस्तेमाल में लाएँ

PixArt-Sigma का स्थायी योगदान यह नहीं है कि यह उपलब्ध सबसे अच्छा मॉडल है। इसका योगदान यह दिखाना है कि ओपन-सोर्स कम्युनिटी को प्रतिस्पर्धी टेक्स्ट-टू-इमेज नतीजों के लिए अरबों डॉलर के इन्फ़्रास्ट्रक्चर बजट की ज़रूरत नहीं है। 2024 में इसने जो ट्रेनिंग दक्षता की कहानी बताई, उसने अगली पीढ़ी के मॉडलों के डेटासेट क्यूरेशन, रेज़ोल्यूशन स्केलिंग और आर्किटेक्चरल इटरेशन के तरीके को आकार दिया। इसके बाद आने वाला हर DiT-आधारित मॉडल PixArt टीम के प्रकाशित काम का कुछ न कुछ ऋणी है।

अगर आप लोकल GPU सेटअप किए बिना इन विचारों को व्यवहार में लाना चाहते हैं, तो PicassoIA आपको उन मॉडलों तक तुरंत पहुँच देता है जो PixArt-Sigma की नींव पर बने हैं। Flux Dev, Flux Pro, Flux 2 Pro और Stable Diffusion 3.5 Large सब एक ही जगह उपलब्ध हैं, बिना लोकल सेटअप, बिना VRAM की बाधाओं और बिना किसी मॉडल-विशेष कॉन्फ़िगरेशन की ज़रूरत के।

जिन सिद्धांतों ने PixArt-Sigma को अध्ययन लायक बनाया, जिनमें कुशल ट्रेनिंग, मज़बूत टेक्स्ट एलाइनमेंट और हाई-रेज़ोल्यूशन आउटपुट शामिल हैं, वही इन प्रोडक्शन मॉडलों में बार-बार सुधारे और परिष्कृत किए गए हैं। आज ही शुरू करें। थ्योरी समझने और उसका नतीजा देखने के बीच की दूरी बस एक प्रॉम्प्ट की है।