Diffusers documentation

Kandinsky 5.0 Image

Diffusers

Join the Hugging Face community

and get access to the augmented documentation experience

Collaborate on models, datasets and Spaces

Faster examples with accelerated inference

Switch between documentation themes

to get started

Kandinsky 5.0 Image

Kandinsky 5.0 es una familia de modelos de difusión para la generación de video e imágenes.

Kandinsky 5.0 Image Lite es un modelo ligero de generación de imágenes (6B parámetros).

El modelo introduce varias innovaciones clave:

Pipeline de difusión latente con Flow Matching para mejorar la estabilidad del entrenamiento
Diffusion Transformer (DiT) como columna vertebral generativa principal, con atención cruzada a los incrustados de texto
Codificación de texto dual usando Qwen2.5-VL y CLIP para una comprensión exhaustiva del texto
Flux VAE para la codificación y decodificación de imágenes de forma eficiente

El código original se puede encontrar en kandinskylab/Kandinsky-5.

Consulta la organización Kandinsky Lab en el Hub para los puntos de control oficiales de modelos para la generación de texto a video, que incluyen variantes preentrenadas, SFT, no-CFG y destiladas.

Modelos disponibles

Kandinsky 5.0 Image Lite:

model_id	Descripción	Casos de uso
kandinskylab/Kandinsky-5.0-T2I-Lite-sft-Diffusers	Modelo de 6B de imágenes con ajuste fino supervisado	Mejor calidad de generación
kandinskylab/Kandinsky-5.0-I2I-Lite-sft-Diffusers	Modelo de 6B para edición de imágenes con ajuste fino supervisado	Mejor calidad de generación
kandinskylab/Kandinsky-5.0-T2I-Lite-pretrain-Diffusers	Modelo preentrenado base de imagen 6B	Investigación y ajuste fino
kandinskylab/Kandinsky-5.0-I2I-Lite-pretrain-Diffusers	Modelo preentrenado base de edición de imágenes 6B	Investigación y ajuste fino

Ejemplos de uso

Generación básica de texto a imagen

import torch
from diffusers import Kandinsky5T2IPipeline

# Load the pipeline
model_id = "kandinskylab/Kandinsky-5.0-T2I-Lite-sft-Diffusers"
pipe = Kandinsky5T2IPipeline.from_pretrained(model_id)
_ = pipe.to(device='cuda',dtype=torch.bfloat16)  # or "mps", "xpu", "cpu"

# Generate image
prompt = "A fluffy, expressive cat wearing a bright red hat with a soft, slightly textured fabric. The hat should look cozy and well-fitted on the cat’s head. On the front of the hat, add clean, bold white text that reads “SWEET”, clearly visible and neatly centered. Ensure the overall lighting highlights the hat’s color and the cat’s fur details."

output = pipe(
    prompt=prompt,
    negative_prompt="",
    height=1024,
    width=1024,
    num_inference_steps=50,
    guidance_scale=3.5,
).image[0]

Generación básica de imagen a imagen

import torch
from diffusers import Kandinsky5I2IPipeline
from diffusers.utils import load_image 
# Load the pipeline
model_id = "kandinskylab/Kandinsky-5.0-I2I-Lite-sft-Diffusers"
pipe = Kandinsky5I2IPipeline.from_pretrained(model_id)

_ = pipe.to(device='cuda',dtype=torch.bfloat16)  # or "mps", "xpu", "cpu"
pipe.enable_model_cpu_offload()                                               # <--- Enable CPU offloading for single GPU inference

# Edit the input image
image = load_image(
    "https://huggingface.co/kandinsky-community/kandinsky-3/resolve/main/assets/title.jpg?download=true"
)

prompt = "Change the background from a winter night scene to a bright summer day. Place the character on a sandy beach with clear blue sky, soft sunlight, and gentle waves in the distance. Replace the winter clothing with a light short-sleeved T-shirt (in soft pastel colors) and casual shorts. Ensure the character’s fur reflects warm daylight instead of cold winter tones. Add small beach details such as seashells, footprints in the sand, and a few scattered beach toys nearby. Keep the oranges in the scene, but place them naturally on the sand."
negative_prompt = ""

output = pipe(
    image=image,
    prompt=prompt,
    negative_prompt=negative_prompt,
    guidance_scale=3.5,
).image[0]

Kandinsky5T2IPipeline

clase diffusers.Kandinsky5T2IPipeline

< source >

( transformer: Kandinsky5Transformer3DModelvae: AutoencoderKLtext_encoder: Qwen2_5_VLForConditionalGenerationtokenizer: Qwen2VLProcessortext_encoder_2: CLIPTextModeltokenizer_2: CLIPTokenizerscheduler: FlowMatchEulerDiscreteScheduler )

Parámetros

transformer (Kandinsky5Transformer3DModel) — Transformer condicional para desruidar los latentes de imagen codificados.
vae (AutoencoderKL) — Modelo Variational Auto-Encoder black-forest-labs/FLUX.1-dev (vae) para codificar y decodificar videos a y desde representaciones latentes.
text_encoder (Qwen2_5_VLForConditionalGeneration) — Codificador de texto congelado Qwen2.5-VL.
tokenizer (AutoProcessor) — Tokenizador para Qwen2.5-VL.
text_encoder_2 (CLIPTextModel) — CLIP congelado, específicamente la variante clip-vit-large-patch14.
tokenizer_2 (CLIPTokenizer) — Tokenizer para CLIP.
scheduler (FlowMatchEulerDiscreteScheduler) — Un scheduler para usar en combinación con transformer para desruidar los latentes de imagen codificados.

Pipeline para la generación de imágenes a partir de texto usando Kandinsky 5.0.

Este modelo hereda de DiffusionPipeline. Consulta la documentación de la clase superior para los métodos genéricos implementados en todas las tuberías (descarga, guardado, ejecución en un dispositivo específico, etc.).

call

< source >

( prompt: str | list[str] = Nonenegative_prompt: str | list[str] | None = Noneheight: int = 1024width: int = 1024num_inference_steps: int = 50guidance_scale: float = 3.5num_images_per_prompt: int | None = 1generator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = Nonelatents: typing.Optional[torch.Tensor] = Noneprompt_embeds_qwen: typing.Optional[torch.Tensor] = Noneprompt_embeds_clip: typing.Optional[torch.Tensor] = Nonenegative_prompt_embeds_qwen: typing.Optional[torch.Tensor] = Nonenegative_prompt_embeds_clip: typing.Optional[torch.Tensor] = Noneprompt_cu_seqlens: typing.Optional[torch.Tensor] = Nonenegative_prompt_cu_seqlens: typing.Optional[torch.Tensor] = Noneoutput_type: str | None = 'pil'return_dict: bool = Truecallback_on_step_end: typing.Optional[typing.Callable[[int, int, NoneType], diffusers.callbacks.PipelineCallback | diffusers.callbacks.MultiPipelineCallbacks]] = Nonecallback_on_step_end_tensor_inputs: list[str] = ['latents']max_sequence_length: int = 512 ) → ~KandinskyImagePipelineOutput or tuple

Parámetros

prompt (str o list[str], opcional) — El prompt o los prompts para guiar la generación de la imagen. Si no se define, pase prompt_embeds en su lugar.
negative_prompt (str o list[str], opcional) — El prompt o los prompts a evitar durante la generación de imágenes. Si no se define, pase negative_prompt_embeds en su lugar. Se ignora cuando no se usa guía (guidance_scale < 1).
height (int, por defecto 1024) — La altura en píxeles de la imagen generada.
width (int, por defecto 1024) — El ancho en píxeles de la imagen generada.
num_inference_steps (int, por defecto 50) — El número de pasos de desruido.
guidance_scale (float, por defecto 5.0) — Escala de guía tal como se define en la guía libre de clasificador.
num_images_per_prompt (int, opcional, valor predeterminado 1) — El número de imágenes que se generarán por indicación.
generator (torch.Generator o list[torch.Generator], opcional) — Un generador de torch para hacer la generación determinista.
latents (torch.Tensor, opcional) — Latentes ruidosos pregenerados.
prompt_embeds_qwen (torch.Tensor, opcional) — Incrustaciones de texto de Qwen pregeneradas.
prompt_embeds_clip (torch.Tensor, opcional) — Incrustaciones de texto CLIP pregeneradas.
negative_prompt_embeds_qwen (torch.Tensor, opcional) — Incrustaciones de texto negativo de Qwen pregeneradas.
negative_prompt_embeds_clip (torch.Tensor, opcional) — Incrustaciones de texto negativo de CLIP pregeneradas.
prompt_cu_seqlens (torch.Tensor, opcional) — Longitudes de secuencia acumuladas pregeneradas para el prompt positivo de Qwen.
negative_prompt_cu_seqlens (torch.Tensor, opcional) — Longitudes de secuencia acumuladas pregeneradas para el prompt negativo de Qwen.
output_type (str, opcional, valor predeterminado "pil") — El formato de salida de la imagen generada.
return_dict (bool, opcional, valor predeterminado True) — Indica si se debe devolver un KandinskyImagePipelineOutput.
callback_on_step_end (Callable, PipelineCallback, MultiPipelineCallbacks, opcional) — Una función que se llama al final de cada paso de desruido.
callback_on_step_end_tensor_inputs (List, opcional) — La lista de entradas de tensor para la función callback_on_step_end.
max_sequence_length (int, por defecto 512) — La longitud máxima de la secuencia para la codificación de texto.

Devuelve

~KandinskyImagePipelineOutput o tuple

Si return_dict es True, se devuelve KandinskyImagePipelineOutput; en caso contrario, se devuelve una tuple cuyo primer elemento es una lista con las imágenes generadas.

La función de llamada al pipeline para la generación de texto a imagen.

Ejemplos:

>>> import torch
>>> from diffusers import Kandinsky5T2IPipeline

>>> # Available models:
>>> # kandinskylab/Kandinsky-5.0-T2I-Lite-sft-Diffusers
>>> # kandinskylab/Kandinsky-5.0-T2I-Lite-pretrain-Diffusers

>>> model_id = "kandinskylab/Kandinsky-5.0-T2I-Lite-sft-Diffusers"
>>> pipe = Kandinsky5T2IPipeline.from_pretrained(model_id, torch_dtype=torch.bfloat16)
>>> pipe = pipe.to("cuda")

>>> prompt = "A cat and a dog baking a cake together in a kitchen."

>>> output = pipe(
...     prompt=prompt,
...     negative_prompt="",
...     height=1024,
...     width=1024,
...     num_inference_steps=50,
...     guidance_scale=3.5,
... ).frames[0]

check_inputs

< source >

( promptnegative_promptheightwidthprompt_embeds_qwen = Noneprompt_embeds_clip = Nonenegative_prompt_embeds_qwen = Nonenegative_prompt_embeds_clip = Noneprompt_cu_seqlens = Nonenegative_prompt_cu_seqlens = Nonecallback_on_step_end_tensor_inputs = Nonemax_sequence_length = None )

Parámetros

prompt — Prompt de entrada
negative_prompt — Prompt negativo para la guía
height — Altura de la imagen
width — Ancho de la imagen
prompt_embeds_qwen — Embeddings de prompt de Qwen precalculados
prompt_embeds_clip — Embeddings de prompt de CLIP precalculados
negative_prompt_embeds_qwen — Embeddings de prompt negativo de Qwen precalculados
negative_prompt_embeds_clip — Embeddings de prompt negativo de CLIP precalculados
prompt_cu_seqlens — Longitudes de secuencia acumuladas precalculadas para el prompt positivo de Qwen
negative_prompt_cu_seqlens — Longitudes de secuencia acumuladas precalculadas para el prompt negativo de Qwen
callback_on_step_end_tensor_inputs — Entradas de tensor del callback

Lanza

ValueError

ValueError — Si las entradas no son válidas

Validar los parámetros de entrada del pipeline.

encode_prompt

< source >

( prompt: str | list[str]num_images_per_prompt: int = 1max_sequence_length: int = 512device: typing.Optional[torch.device] = Nonedtype: typing.Optional[torch.dtype] = None ) → tuple[torch.Tensor, torch.Tensor, torch.Tensor]

Parámetros

prompt (str o list[str]) — Prompt a codificar.
num_images_per_prompt (int, opcional, valor predeterminado 1) — Número de imágenes a generar por indicación.
max_sequence_length (int, opcional, valor predeterminado 512) — Longitud máxima de la secuencia para la codificación de texto. Debe ser menor que 1024
device (torch.device, opcional) — Dispositivo de Torch.
dtype (torch.dtype, opcional) — dtype de Torch.

Devuelve

tuple[torch.Tensor, torch.Tensor, torch.Tensor]

Incrustaciones de texto de Qwen de forma (batch_size * num_images_per_prompt, sequence_length, embedding_dim)
CLIP pooled embeddings de forma (batch_size * num_images_per_prompt, clip_embedding_dim)
Longitudes de secuencia acumuladas (cu_seqlens) para los embeddings de Qwen de forma (batch_size * num_images_per_prompt + 1,)

Codifica un único prompt (positivo o negativo) en estados ocultos del codificador de texto.

Este método combina los embeddings de los codificadores de texto de Qwen2.5-VL y CLIP para crear representaciones de texto integrales para la generación de imágenes.

prepare_latents

< source >

( batch_size: intnum_channels_latents: int = 16height: int = 1024width: int = 1024dtype: typing.Optional[torch.dtype] = Nonedevice: typing.Optional[torch.device] = Nonegenerator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = Nonelatents: typing.Optional[torch.Tensor] = None ) → torch.Tensor

Parámetros

batch_size (int) — Número de imágenes a generar
num_channels_latents (int) — Número de canales en el espacio latente
height (int) — Altura de la imagen generada
width (int) — Ancho de la imagen generada
dtype (torch.dtype) — Tipo de datos para los latentes
device (torch.device) — Dispositivo en el que se crearán los latentes
generator (torch.Generator) — Generador de números aleatorios
latents (torch.Tensor) — Latentes existentes para usar

Devuelve

torch.Tensor

Tensor latente preparado

Prepara las variables latentes iniciales para la generación de imágenes a partir de texto.

Este método crea latentes de ruido aleatorio

Kandinsky5I2IPipeline

clase diffusers.Kandinsky5I2IPipeline

< source >

Parámetros

transformer (Kandinsky5Transformer3DModel) — Transformer condicional para desruidar los latentes de imagen codificados.
vae (AutoencoderKL) — Modelo Variational Auto-Encoder black-forest-labs/FLUX.1-dev (vae) para codificar y decodificar videos a y desde representaciones latentes.
text_encoder (Qwen2_5_VLForConditionalGeneration) — Codificador de texto congelado Qwen2.5-VL.
tokenizer (AutoProcessor) — Tokenizador para Qwen2.5-VL.
text_encoder_2 (CLIPTextModel) — CLIP congelado, específicamente la variante clip-vit-large-patch14.
tokenizer_2 (CLIPTokenizer) — Tokenizer para CLIP.
scheduler (FlowMatchEulerDiscreteScheduler) — Un scheduler para usar en combinación con transformer para desruidar los latentes de imagen codificados.

Pipeline para la generación de imagen a imagen usando Kandinsky 5.0.

call

< source >

( image: typing.Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]prompt: str | list[str] = Nonenegative_prompt: str | list[str] | None = Noneheight: int | None = Nonewidth: int | None = Nonenum_inference_steps: int = 50guidance_scale: float = 3.5num_images_per_prompt: int | None = 1generator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = Nonelatents: typing.Optional[torch.Tensor] = Noneprompt_embeds_qwen: typing.Optional[torch.Tensor] = Noneprompt_embeds_clip: typing.Optional[torch.Tensor] = Nonenegative_prompt_embeds_qwen: typing.Optional[torch.Tensor] = Nonenegative_prompt_embeds_clip: typing.Optional[torch.Tensor] = Noneprompt_cu_seqlens: typing.Optional[torch.Tensor] = Nonenegative_prompt_cu_seqlens: typing.Optional[torch.Tensor] = Noneoutput_type: str | None = 'pil'return_dict: bool = Truecallback_on_step_end: typing.Optional[typing.Callable[[int, int, NoneType], diffusers.callbacks.PipelineCallback | diffusers.callbacks.MultiPipelineCallbacks]] = Nonecallback_on_step_end_tensor_inputs: list[str] = ['latents']max_sequence_length: int = 1024 ) → ~KandinskyImagePipelineOutput or tuple

Parámetros

image (PipelineImageInput) — La imagen de entrada para condicionar la generación. Debe ser una imagen, una lista de imágenes o un torch.Tensor.
prompt (str o list[str], opcional) — El prompt o los prompts para guiar la generación de la imagen. Si no se define, pase prompt_embeds en su lugar.
negative_prompt (str o list[str], opcional) — El prompt o los prompts a evitar durante la generación de imágenes. Si no se define, pase negative_prompt_embeds en su lugar. Se ignora cuando no se usa guía (guidance_scale < 1).
height (int) — La altura en píxeles de la imagen generada.
width (int) — El ancho en píxeles de la imagen generada.
num_inference_steps (int, por defecto 50) — El número de pasos de desruido.
guidance_scale (float, por defecto 5.0) — Escala de guía tal como se define en la guía libre de clasificador.
num_images_per_prompt (int, opcional, valor predeterminado 1) — El número de imágenes que se generarán por indicación.
generator (torch.Generator o list[torch.Generator], opcional) — Un generador de torch para hacer la generación determinista.
latents (torch.Tensor, opcional) — Latentes ruidosos pregenerados.
prompt_embeds_qwen (torch.Tensor, opcional) — Incrustaciones de texto de Qwen pregeneradas.
prompt_embeds_clip (torch.Tensor, opcional) — Incrustaciones de texto CLIP pregeneradas.
negative_prompt_embeds_qwen (torch.Tensor, opcional) — Incrustaciones de texto negativo de Qwen pregeneradas.
negative_prompt_embeds_clip (torch.Tensor, opcional) — Incrustaciones de texto negativo de CLIP pregeneradas.
prompt_cu_seqlens (torch.Tensor, opcional) — Longitudes de secuencia acumuladas pregeneradas para el prompt positivo de Qwen.
negative_prompt_cu_seqlens (torch.Tensor, opcional) — Longitudes de secuencia acumuladas pregeneradas para el prompt negativo de Qwen.
output_type (str, opcional, valor predeterminado "pil") — El formato de salida de la imagen generada.
return_dict (bool, opcional, valor predeterminado True) — Indica si se debe devolver un KandinskyImagePipelineOutput.
callback_on_step_end (Callable, PipelineCallback, MultiPipelineCallbacks, opcional) — Una función que se llama al final de cada paso de desruido.
callback_on_step_end_tensor_inputs (List, opcional) — La lista de entradas de tensor para la función callback_on_step_end.
max_sequence_length (int, por defecto 1024) — La longitud máxima de secuencia para la codificación de texto e imagen de qwen. Debe ser menor que 1024

Devuelve

~KandinskyImagePipelineOutput o tuple

Si return_dict es True, se devuelve KandinskyImagePipelineOutput; en caso contrario, se devuelve una tuple cuyo primer elemento es una lista con las imágenes generadas.

La función de llamada al pipeline para la generación de imagen a imagen.

Ejemplos:

>>> import torch
>>> from diffusers import Kandinsky5I2IPipeline

>>> # Available models:
>>> # kandinskylab/Kandinsky-5.0-I2I-Lite-sft-Diffusers
>>> # kandinskylab/Kandinsky-5.0-I2I-Lite-pretrain-Diffusers

>>> model_id = "kandinskylab/Kandinsky-5.0-I2I-Lite-sft-Diffusers"
>>> pipe = Kandinsky5I2IPipeline.from_pretrained(model_id, torch_dtype=torch.bfloat16)
>>> pipe = pipe.to("cuda")

>>> prompt = "A cat and a dog baking a cake together in a kitchen."

>>> output = pipe(
...     prompt=prompt,
...     negative_prompt="",
...     height=1024,
...     width=1024,
...     num_inference_steps=50,
...     guidance_scale=3.5,
... ).frames[0]

check_inputs

< source >

( promptnegative_promptimageheightwidthprompt_embeds_qwen = Noneprompt_embeds_clip = Nonenegative_prompt_embeds_qwen = Nonenegative_prompt_embeds_clip = Noneprompt_cu_seqlens = Nonenegative_prompt_cu_seqlens = Nonecallback_on_step_end_tensor_inputs = Nonemax_sequence_length = None )

Parámetros

prompt — Prompt de entrada
negative_prompt — Prompt negativo para la guía
image — Imagen de entrada para el condicionamiento
height — Altura de la imagen
width — Ancho de la imagen
prompt_embeds_qwen — Embeddings de prompt de Qwen precalculados
prompt_embeds_clip — Embeddings de prompt de CLIP precalculados
negative_prompt_embeds_qwen — Embeddings de prompt negativo de Qwen precalculados
negative_prompt_embeds_clip — Embeddings de prompt negativo de CLIP precalculados
prompt_cu_seqlens — Longitudes de secuencia acumuladas precalculadas para el prompt positivo de Qwen
negative_prompt_cu_seqlens — Longitudes de secuencia acumuladas precalculadas para el prompt negativo de Qwen
callback_on_step_end_tensor_inputs — Entradas de tensor del callback

Lanza

ValueError

ValueError — Si las entradas no son válidas

Validar los parámetros de entrada del pipeline.

encode_prompt

< source >

( prompt: str | list[str]image: Tensornum_images_per_prompt: int = 1max_sequence_length: int = 1024device: typing.Optional[torch.device] = Nonedtype: typing.Optional[torch.dtype] = None ) → tuple[torch.Tensor, torch.Tensor, torch.Tensor]

Parámetros

prompt (str o list[str]) — Prompt a codificar.
num_images_per_prompt (int, opcional, valor predeterminado 1) — Número de imágenes a generar por indicación.
max_sequence_length (int, opcional, valor predeterminado 1024) — Longitud máxima de la secuencia para la codificación de texto. Debe ser menor que 1024
device (torch.device, opcional) — Dispositivo de Torch.
dtype (torch.dtype, opcional) — dtype de Torch.

Devuelve

tuple[torch.Tensor, torch.Tensor, torch.Tensor]

Incrustaciones de texto de Qwen de forma (batch_size * num_images_per_prompt, sequence_length, embedding_dim)
CLIP pooled embeddings de forma (batch_size * num_images_per_prompt, clip_embedding_dim)
Longitudes de secuencia acumuladas (cu_seqlens) para los embeddings de Qwen de forma (batch_size * num_images_per_prompt + 1,)

Codifica un único prompt (positivo o negativo) en estados ocultos del codificador de texto.

Este método combina los embeddings de los codificadores de texto de Qwen2.5-VL y CLIP para crear representaciones de texto integrales para la generación de imágenes.

prepare_latents

< source >

( image: typing.Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]batch_size: intnum_channels_latents: int = 16height: int = 1024width: int = 1024dtype: typing.Optional[torch.dtype] = Nonedevice: typing.Optional[torch.device] = Nonegenerator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = Nonelatents: typing.Optional[torch.Tensor] = None ) → torch.Tensor

Parámetros

image (PipelineImageInput) — Imagen de entrada para condicionar la generación
batch_size (int) — Número de imágenes a generar
num_channels_latents (int) — Número de canales en el espacio latente
height (int) — Altura de la imagen generada
width (int) — Ancho de la imagen generada
dtype (torch.dtype) — Tipo de datos para los latentes
device (torch.device) — Dispositivo en el que se crearán los latentes
generator (torch.Generator) — Generador de números aleatorios
latents (torch.Tensor) — Latentes existentes para usar

Devuelve

torch.Tensor

Tensor latente preparado con la imagen codificada

Prepara las variables latentes iniciales para la generación de imagen a imagen.

Este método crea latentes de ruido aleatorio con la imagen codificada,

Cita

@misc{kandinsky2025,
    author = {Alexander Belykh and Alexander Varlamov and Alexey Letunovskiy and Anastasia Aliaskina and Anastasia Maltseva and Anastasiia Kargapoltseva and Andrey Shutkin and Anna Averchenkova and Anna Dmitrienko and Bulat Akhmatov and Denis Dimitrov and Denis Koposov and Denis Parkhomenko and Dmitrii and Ilya Vasiliev and Ivan Kirillov and Julia Agafonova and Kirill Chernyshev and Kormilitsyn Semen and Lev Novitskiy and Maria Kovaleva and Mikhail Mamaev and Mikhailov and Nikita Kiselev and Nikita Osterov and Nikolai Gerasimenko and Nikolai Vaulin and Olga Kim and Olga Vdovchenko and Polina Gavrilova and Polina Mikhailova and Tatiana Nikulina and Viacheslav Vasilev and Vladimir Arkhipkin and Vladimir Korviakov and Vladimir Polovnikov and Yury Kolabushin},
    title = {Kandinsky 5.0: A family of diffusion models for Video & Image generation},
    howpublished = {\url{https://github.com/kandinskylab/Kandinsky-5}},
    year = 2025
}

Update on GitHub

←Kandinsky 3 Kolors→

Diffusers

Kandinsky 5.0 Image

Modelos disponibles

Ejemplos de uso

Generación básica de texto a imagen

Generación básica de imagen a imagen

Kandinsky5T2IPipeline

clase diffusers.Kandinsky5T2IPipeline

__call__

check_inputs

encode_prompt

prepare_latents

Kandinsky5I2IPipeline

clase diffusers.Kandinsky5I2IPipeline

__call__

check_inputs

encode_prompt

prepare_latents

Cita

call

call