概览
P-JiT 21K 是 Linum 于 2026-11-04 发布的实验性开源文生图模型，作为团队下一代视频模型 Linum v3 的中间成果。它采用团队自研的 Pyramid-JiT（P-JiT）像素空间架构：去掉 VAE，由扩散模型自己学习压缩，并在 DiT 主干中途加入低分辨率读出头来加强早期层的梯度，从而以 32×32 的 token 压缩率表示图像（512² 图像只需 256 个图像 token），官方称比 Linum v2 少用 11 倍样本即可收敛。模型推理时约 2.18B 参数，文本由冻结的 Qwen3.5-4B 编码；训练共 6.6 亿样本、算力约 2.1 万美元，随后用 FDFO 变体做后训练。官方提醒它是研究检查点而非生产模型：训练数据刻意剔除了带文字的图片，不能生成文字与海报，全身像、多主体与常识细节也较弱；建议输入 50 到 80 词的详细英文描述，仓库提供用大模型扩写短提示的脚本（需 OpenRouter 密钥，也可关闭）。权重（fp32，约 8.7 GB）与代码均以 Apache-2.0 发布。官方来源：https://www.linum.ai/field-notes/pjit-21k 、https://huggingface.co/Linum-AI/pjit-21k 、https://github.com/Linum-AI/pjit-21k （2026-11-08 06:20 Asia/Shanghai 核对）。 定价：开源权重免费下载（Apache-2.0，可商用），官方未提供托管 API，无按量价格，自行部署需 GPU。
- 模态
- 图像
- 参数量
- 2.18B（DiT，推理时）；文本编码器为冻结的 Qwen3.5-4B，需另行下载
- 许可说明
- 开源 · Apache-2.0
能力
- 像素空间扩散：不用 VAE，直接在像素上去噪，32×32 token 压缩，比常规 16×16 少 4 倍注意力上下文
- 低成本训练：共 6.6 亿样本（512px 6.1 亿 + 1024px 5,000 万），算力约 2.1 万美元，再做 FDFO 变体后训练
- 约 100 万像素出图：训练分辨率 1024×1024、864×1216、1152×864、1248×832、1280×720
- 开源可复现：Apache-2.0 权重与推理代码，仓库附提示词扩写脚本与官方样图的提示词和种子
- 局限：几乎不会写字，海报、标牌、LOGO、标题卡类提示无效；全身像、多主体、多人互动与常识细节较弱；属研究检查点，非生产模型
