Что это
Moebius — открытая исследовательская модель для инпейнтинга (заполнения удалённых или пропущенных областей изображения), представленная на ECCV 2026 командами HUST и VIVO AI Lab. При размере всего 0.22 млрд параметров (около 2% от 11.9B у FLUX.1-Fill-Dev) модель показывает сопоставимое или превосходящее качество на шести бенчмарках и работает более чем в 15 раз быстрее — около 26 мс на шаг на одном GPU. В основе архитектуры — блок Local-lambda Mix Interaction и адаптивная многогранулярная дистилляция знаний от модели-учителя уровня 10B+.
Для участника клуба это пример того, как маленькая модель может заменить тяжёлые генеративные решения в задачах ретуши и обработки изображений: удаление объектов с фото, заделка дефектов, восстановление лиц (обучена в том числе на CelebA-HQ и FFHQ). Подходит тем, кто собирает локальные или встроенные пайплайны обработки контента без аренды мощного GPU-инстанса — модель запускается на потребительском железе. Готового веб-интерфейса или API нет, есть код, веса и инструкции по инференсу через командную строку, что требует навыков Python и работы с PyTorch/diffusers.
Проект подойдёт скорее разработчикам и техническим авторам контента, чем тем, кто ищет готовый no-code инструмент: нужно самостоятельно развернуть окружение и запустить инференс локально или на сервере.
Возможности
- Инпейнтинг изображений (заполнение вырезанных/удалённых областей) с качеством на уровне 10B+ моделей
- 0.22 млрд параметров — около 2% от размера FLUX.1-Fill-Dev (11.9B)
- Инференс около 26 мс на шаг на одном GPU, ускорение более 15x относительно крупных моделей
- Обучена и протестирована на природных сценах (Places2) и портретах (CelebA-HQ, FFHQ)
- Архитектурный блок Local-lambda Mix Interaction для борьбы с потерей качества при сильном сжатии модели
- Дистилляция знаний от крупной модели-учителя (адаптивная многогранулярная стратегия)
- Веса модели опубликованы на Hugging Face, код — на GitHub
- Запуск через командную строку (python -m infer.infer_moebius) с настройкой batch size и guidance scale
Цена: открытый код и веса, код на GitHub под Apache-2.0, веса на Hugging Face под MIT — можно использовать бесплатно, включая коммерческое применение, платных тарифов нет
