論文の概要: JuZhou 1.0 Technical Report: The First Edge-Native Text-to-Image Foundation Model Trained Entirely on China-Developed AI Accelerators
- arxiv url: http://arxiv.org/abs/2606.28421v1
- Date: Thu, 25 Jun 2026 17:14:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.554471
- Title: JuZhou 1.0 Technical Report: The First Edge-Native Text-to-Image Foundation Model Trained Entirely on China-Developed AI Accelerators
- Title（参考訳）: JuZhou 1.0テクニカルレポート:中国が開発したAI加速器で訓練された最初のエッジ-ネイティブテキスト-画像ファウンデーションモデル
- Abstract要約: テキスト・ツー・イメージ(T2I)拡散モデルは通常、かなりの計算資源とクラウドインフラを必要とする。
We present JuZhou 1.0, a Ultra-lightweight T2I foundation model designed for complete offline, on-device execution。
- 参考スコア（独自算出の注目度）: 82.160839154214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text-to-image (T2I) diffusion models typically require substantial computational resources and cloud infrastructure, posing significant challenges for edge deployment in terms of latency, cost, and user privacy. We present JuZhou 1.0, an ultra-lightweight T2I foundation model designed for fully offline, on-device execution. JuZhou 1.0 achieves its efficiency through four key designs: (1) a compact image-generation backbone consisting of a 0.385B-parameter denoising U-Net and a 1.90M-parameter distilled decoder, totaling approximately 0.387B parameters; (2) Rectified Flow training combined with DMD2 distillation, reducing inference to 4 sampling steps; (3) Chinese semantic alignment trained on 9M curated image-text pairs, enabling direct Chinese prompting without external translation at inference time; and (4) a training and distillation pipeline completed on domestically developed Sugon K100 AI accelerators without relying on NVIDIA GPUs for training or distillation. Despite its compact scale, the 28-step base model of JuZhou 1.0 achieves an overall GenEval score of 0.69, outperforming published baselines including SDXL (2.6B, 0.55), SD3-Medium (2B, 0.62), and IF-XL (4.3B, 0.61). We further validate the full poetry-to-image pipeline on Android and the core CLIP-U-Net-VAE generation branch on iOS. On a smartphone powered by the Snapdragon 8 Elite Gen 5 Mobile Platform, the 4-step U-Net denoising branch runs in approximately 1.6 seconds, while the full Android poetry-to-image pipeline takes 4.5 seconds with on-device prompt refinement on Xiaomi 17 Pro Max. These results position JuZhou 1.0 as a practical approach to mobile text-to-image generation and provide a concrete reference for Chinese-native generation, domestic-compute training, and fully offline on-device deployment after one-time installation.
- Abstract（参考訳）: テキスト・ツー・イメージ(T2I)の拡散モデルは通常、相当量の計算リソースとクラウドインフラストラクチャを必要とし、レイテンシ、コスト、ユーザのプライバシといった面で、エッジデプロイメントにおいて重大な課題を提起する。
We present JuZhou 1.0, a Ultra-lightweight T2I foundation model designed for complete offline, on-device execution。
JuZhou 1.0は,(1)U-Netと1.90Mパラメーター蒸留デコーダを総計約0.387Bパラメータで構成したコンパクトな画像生成バックボーン,(2)DMD2蒸留と組み合わせて,推論を4段階に短縮する強化フロートレーニング,(3)9Mキュレートされた画像テキストペアをトレーニングした中国語のセマンティックアライメント,(4)内部で開発されたスゴンK100AIアクセラレータによるトレーニングおよび蒸留パイプライン,の4つの主要な設計により,その効率性を実現している。
コンパクトなスケールにもかかわらず、JuZhou 1.0の28ステップベースモデルは、SDXL (2.6B, 0.55), SD3-Medium (2B, 0.62), IF-XL (4.3B, 0.61) などの出版ベースラインよりも優れた総合的なGenEvalスコア0.69を達成している。
さらに、Androidの詩対イメージパイプラインと、iOSのコアCLIP-U-Net-VAE生成ブランチについても検証します。
Snapdragon 8 Elite Gen 5 Mobile Platformを搭載したスマートフォンでは、4ステップのU-Net Denoisingブランチは約1.6秒で動作し、Androidの詩と画像の完全なパイプラインは、Xiaomi 17 Pro Max上でデバイス上での即時改善で4.5秒で動作します。
これらの結果から,JuZhou 1.0はモバイルテキスト・画像生成の実践的アプローチとして位置づけられ,中国ネイティブ世代への具体的なリファレンス,国内コンピュートトレーニング,ワンタイムインストール後のデバイス上での完全なオフライン展開を提供する。
関連論文リスト
- Mage-Flow: An Efficient Native-Resolution Foundation Model for Image Generation and Editing [57.690762576837045]
Mage-Flowは、4Bスケールのコンパクトな生成スタックで、効率的なテキスト・画像生成と命令ベースの画像編集を行う。
Stackは、Mage-VAE、軽量な高忠実な潜在トークンライザ、Native-Resolution Multi-Resolution Diffusion Transformerという2つの共同設計コンポーネントで構成されている。
生成と編集の両方にBase, RL-アライメント, およびTurboの変種を組み込んだ完全モデルファミリを開発した。
論文 参考訳（メタデータ） (2026-07-21T12:55:34Z) - StepX-Edge: An On-Device UI Vision-Language Model via Architecture-Training-Deployment Co-Design [8.502778898017556]
StepX-Edgeは、デバイス上のUIビジョン言語モデルで、コグニティブな3つのアーキテクチャ、トレーニング、デプロイメントを通じて緊張を解消します。
トレーニングには,UIサブタスク間の相互動作効果の観察を中心に,5段階のStepX-Curriculumフレームワークを設計する。
デプロイでは、モジュール単位で異なる2段階のPTQ-to-QAT量子化方式により、後量子化精度の損失を1%に抑える。
論文 参考訳（メタデータ） (2026-07-20T14:14:44Z) - LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。
しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。
本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
論文 参考訳（メタデータ） (2026-06-26T09:11:59Z) - Lens: Rethinking Training Efficiency for Foundational Text-to-Image Models [88.94987156920575]
我々は,6B以上のパラメータを持つ最先端のモデルと競合する性能を実現するT2IモデルであるLensを紹介した。
例えば、Z-Imageが使用するトレーニング計算の19.3%しか必要としない。
Lensは1つのNVIDIA H100 GPU上で10242イメージを3.15秒で生成し、蒸留したターボバージョンは0.84秒で4ステップ生成を行う。
論文 参考訳（メタデータ） (2026-05-20T17:59:58Z) - Real Image Denoising with Knowledge Distillation for High-Performance Mobile NPUs [41.66955282583396]
そこで我々は,モバイルNPUを用いた実世界の画像認識のための,NPU対応ハードウェアアルゴリズムの協調設計手法を提案する。
本手法では,高能力の教師を用いて,軽量な学生ネットワークを監督する。
論文 参考訳（メタデータ） (2026-05-05T12:19:30Z) - Pushing the Limits of On-Device Streaming ASR: A Compact, High-Accuracy English Model for Low-Latency Inference [5.685908474026849]
エッジデバイス上での高品質な自動音声認識(ASR)は、GPUアクセラレーションなしでCPUで完全に動作している間に、精度、レイテンシ、メモリフットプリントを共同で最適化するモデルを必要とする。
我々は,エンコーダデコーダ,トランスデューサ,LDMベースのパラダイムを包含し,バッチ,チャンク,ストリーミング推論モードで評価する,最先端のASRアーキテクチャの体系的研究を行った。
推奨構成であるint4 k-quant変種は、8つの標準ベンチマークで平均8.20%のストリーミングWERを実現し、0.56秒のアルゴリズムレイテンシでCPU上でのリアルタイムよりも快適に動作します。
論文 参考訳（メタデータ） (2026-04-16T00:04:32Z) - Speed by Simplicity: A Single-Stream Architecture for Fast Audio-Video Generative Foundation Model [52.79436545460808]
本稿では,人中心生成のためのオープンソースオーディオビデオ生成基盤モデルdaVinci-MagiHumanを紹介する。
DaVinci-MagiHumanは、単一ストリームトランスフォーマーを使用して、同期ビデオとオーディオを共同で生成する。
中国語(マンダリン語とカントン語)、英語、日本語、韓国語、ドイツ語、フランス語の多言語音声生成をサポートする。
論文 参考訳（メタデータ） (2026-03-23T13:49:06Z) - Extreme Model Compression for Edge Vision-Language Models: Sparse Temporal Token Fusion and Adaptive Neural Compression [0.0]
2つの適応圧縮技術は、アルゴリズムの革新とハードウェア対応の最適化を統合するために提案されている。
イベントベースの視覚タスクでは、STTFは平均トークン数を84%削減する。
ANCは低モーションシーンでFLOPを最大90%カットする。
論文 参考訳（メタデータ） (2025-11-23T15:43:00Z) - Neodragon: Mobile Video Generation using Diffusion Transformer [37.108606422659825]
Neodragonは、Qualcomm Hexagon NPUの6.7 fps (7 FPS)で640x1024解像度で2s (49 frames @24 fps)ビデオを生成できるテキスト・ビデオシステムである。
低コスト、プライベート、オンデバイスでビデオ合成を可能にすることで、NeodragonはAIベースのビデオコンテンツ生成を民主化する。
論文 参考訳（メタデータ） (2025-11-08T15:54:32Z) - SANA 1.5: Efficient Scaling of Training-Time and Inference-Time Compute in Linear Diffusion Transformer [49.1761733723771]
本稿では,テキスト・画像生成における効率的なスケーリングを実現する線形拡散変換器であるSANA-1.5を提案する。
効率的なトレーニングスケーリング、モデルの深さ決定、推論時間スケーリングの3つの重要なイノベーションを紹介します。
これらの戦略により、SANA-1.5 は GenEval 上のテキスト計算画像アライメントスコア 0.81 を達成し、VILA-Judge による推論スケーリングにより、さらに 0.96 に改善できる。
論文 参考訳（メタデータ） (2025-01-30T15:31:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。