🧪 Helio-Ray-LoRA (Technology Preview v0.1)

Helio-Ray-LoRA — это экспериментальный адаптер (LoRA), демонстрирующий возможности нашей будущей технологии генерации. Мы обучили этот модуль всего на 2,635 эталонных изображениях, чтобы показать, как качественная выборка данных может улучшить детализацию и понимание русского текста даже при минимальных затратах ресурсов.

⚠️ Status: Early Access / Experimental. 🚀 Roadmap: Полноценная модель Helio1-Image-Ray-6B (на 20k+ примерах) находится в разработке.

---

📸 Сравнение (LoRA vs Base)

Даже в формате легкого адаптера (300 Мб) мы добились значительного улучшения текстур и читаемости текста:

Базовая модель	Helio-Ray-LoRA

---

🎯 Для чего эта версия?

Это "легкая" версия для энтузиастов и разработчиков, которые хотят протестировать наши подходы к генерации:

1. Русский текст: Улучшенная генерация вывесок и надписей.
2. Эффективность: Вес адаптера всего 300 МБ.
3. Совместимость: Работает поверх Z-Image-Turbo, скачивается и подключается автоматически.
4. Разрешение: Оптимизировано строго под 1024x1024.

---

👤 От разработчика

• Автор: Абдулаев Самад Германович (HelioAI Founder).
• Концепция: Мы тестируем гипотезу "Data-Centric AI". Этот релиз доказывает, что даже малый, но качественный датасет способен изменить поведение огромной модели.
• Планы: Сейчас мы готовим масштабный датасет (20,000+ примеров) для обучения полноценной Standalone-модели, которая не будет требовать внешних зависимостей.

---

🚀 Запуск (Python)

import torch
from diffusers import DiffusionPipeline
from peft import PeftModel

# Автоматическая загрузка базы + нашего адаптера
pipe = DiffusionPipeline.from_pretrained(
    "Tongyi-MAI/Z-Image-Turbo",
    torch_dtype=torch.float16,
    trust_remote_code=True
)
pipe.to("cuda")

# Подключение Helio-Ray-LoRA
pipe.transformer = PeftModel.from_pretrained(
    pipe.transformer,
    "HelioAI/Helio-Ray-LoRA-v0.1", # Замени на свое новое имя репозитория!
    is_trainable=False
)

prompt = "Реалистичное фото, вывеска 'СВЕТ', 8k"
image = pipe(prompt, height=1024, width=1024, num_inference_steps=8, guidance_scale=0.0).images[0]
image.save("test.png")