模型卡｜Iris-3B

TL;DRIris-3B：Sperid Labs 2026-10-07 發表論文（arXiv 2610.09450），3B 參數擴散 transformer（+ 凍結 4B Qwen3-VL-4B-Instruct 文字編碼器），不經 VAE／潛空間直接輸出像素；GenEval 0.798、DPG-Bench 86.52（皆 1024px），OneIG-EN 打平 Qwen-Image；但微調後的單眼深度估計（AbsRel 0.071）只打平有 VAE 的潛空間模型 FLUX.2 Klein、4 倍影像修復（LPIPS 0.292／PSNR 20.68）未能超越，論文自己承認『沒有找到像素空間生成先驗帶來顯著下游優勢』；權重與訓練程式碼全開源 Apache 2.0

#ai-agent #model-release #daily #speridlabs #model-family-speridlabs

系列: AI Model Tracker (45 / 48)

模型卡｜Youtu-Parsing-Omni 模型卡｜Meta Muse Wonder

🌏 English version

模型資訊

項目	值
Model ID	`speridlabs/iris-3b`
廠商	Sperid Labs
參數量	3B（像素空間擴散 transformer）＋凍結 4B 文字編碼器（Qwen3-VL-4B-Instruct）
Context Window	不適用（純影像生成／密集預測模型，非語言模型；預設輸出 1024×1024，約 100 萬像素）
Input 定價 (USD/1M tokens)	不適用（開源自架，無官方託管 API，需自備 NVIDIA GPU／CUDA）
Output 定價 (USD/1M tokens)	不適用（同上）
開源	是（Apache 2.0；凍結的文字編碼器 Qwen3-VL-4B-Instruct 沿用其原廠 Apache 2.0 授權）
發布日	2026-10-05（HuggingFace 權重上架）；論文 2026-10-07 提交 arXiv
官方公告	arXiv 2610.09450
HuggingFace	speridlabs/iris-3b
家族	Sperid Labs 首款公開模型（無前代）

能力亮點

全程不經過 VAE／潛空間，擴散 transformer 直接輸出每一個像素（16×16 patch 經 4 層 PiT pixel head 還原成像素），訓練走 256→512→1024 像素三階段課程，共 665K steps
文字生成影像在 GenEval 拿到 0.798、DPG-Bench 86.52（皆 1024px，官方評測器），OneIG-EN 總分打平 Qwen-Image（論文未指名具體版本）
同一套骨幹不改架構，微調後可做單眼深度估計（AbsRel 0.071、δ1 0.946，NYUv2/KITTI/ETH3D/ScanNet/DIODE 五個資料集 zero-shot 平均，Marigold V2 協定）與 4 倍影像修復/放大（LPIPS 0.292、PSNR 20.68，DIV2K 驗證集）
權重、訓練程式碼與論文全部公開（Apache 2.0），另外提供深度、放大兩個微調版本與 HuggingFace Space demo，不需要 GPU 也能試用

Benchmark 表現

Benchmark	Iris-3B	比較對象	結果
GenEval（1024px）	0.798	—	論文自測，官方評測器
DPG-Bench（1024px）	86.52	—	論文自測，官方評測器
OneIG-EN（1024px）	打平	Qwen-Image（論文未指名版本）	論文自測，未公開具體分數
單眼深度 AbsRel（5 資料集零樣本平均）	0.071	原生潛空間 FLUX.2 Klein（打平）／同架構轉換版 FLUX.2 Klein（落後 Iris-3B）	Marigold V2 協定
4× 影像修復 LPIPS／PSNR（DIV2K）	0.292／20.68	原生潛空間 FLUX.2 Klein 微調版（兩個像素空間版本皆未超越）	論文自測

⚠️ 以上全為 Sperid Labs 自測，目前未見第三方獨立複現。論文的核心結論本身就是負向結果：深度估計與影像修復兩項，拿掉 VAE 並未帶來顯著優勢。

與前代/競品比較

Sperid Labs 是第一次公開發模型，沒有前代可比，比較對象是論文自己設計的兩組對照：原生潛空間模型 FLUX.2 Klein base 4B，以及把同一個 FLUX.2 Klein 轉換成像素空間後的版本。先看文字生成影像：OneIG-EN 打平 Qwen-Image、GenEval／DPG 數字也算體面，說明「拿掉 VAE 直接輸出像素，品質不犧牲」這個假設的前半段是成立的。

但論文真正要驗證的賣點——「像素空間沒有 VAE 的有損壓縮，應該在需要精細細節的下游任務上有優勢」——結果不成立：微調後的深度估計只打平用潛空間（有 VAE）的 FLUX.2 Klein，4 倍影像修復甚至沒贏。把既有的 FLUX.2 Klein 直接轉成像素空間（而非像 Iris-3B 從頭訓練）表現還更差，兩條路徑都沒驗證到最初的假設。

定價方面雙方都是開源自架、無官方 API，比較重點落在硬體門檻：Iris-3B 推論需要 NVIDIA GPU＋CUDA，純文字生成影像權重約 12GB，深度與放大功能各再加 12GB，100 steps 跑在 3B 模型加 4B 文字編碼器上不是輕量任務，作者自己也沒給出推論時間或 VRAM 用量數字。

對 Agent 開發的意義

這篇對 agent 開發者最大的意義不是「多一個圖片生成模型」，而是「幫你省一次重複驗證的成本」——如果你在評估要不要把 agent 的視覺感知模組換成「無 VAE」的像素空間骨幹（例如想用生成式先驗做深度估計或影像修復），Sperid Labs 已經做過受控對照實驗並得到否定結果，不用自己重跑一輪驗證同一個假設。

如果你在做：需要本地自架、不想依賴閉源 API 計費的小型圖片生成 agent（如素材生成、原型視覺化），Iris-3B 是一個 Apache 2.0、3B 參數、可跑在單張資料中心或高階消費級 GPU 的選項，OneIG-EN 打平 Qwen-Image 代表品質堪用
如果你在做：需要同一套骨幹同時支援生成、深度、修復三種任務而不想維護三套不同架構的 pipeline，Iris-3B 證明了「不改架構、分別微調」這條路可行
不適合：任何期待「像素空間＝更精細下游視覺任務表現」的場景——深度估計／影像修復 agent 如果本來就有成熟的潛空間模型（FLUX 系列、DINOv2 類 encoder）在跑，論文沒有給出理由現在換過去；也不適合要低延遲互動的場景，100 steps 的擴散推理加上額外子模型下載都不是輕量路徑

今日收穫

「VAE 是有損壓縮，拿掉它應該換來更精細的下游細節」聽起來是個合理到不需要驗證的假設，但 Sperid Labs 用同一組受控實驗（同資料規模、同訓練步數、兩條不同路徑）直接測了一次，結果是「可行，但沒有優勢」——這提醒我們：架構上「聽起來合理」的假設，在對照實驗跑完之前都只是假設。這篇論文選擇誠實發表負向結果、而不是把「文字生成影像打平 Qwen-Image」包裝成全面突破，這個發表態度本身比模型效果更值得記一筆。