Was ist Iris-3B?
Iris-3B ist ein Text-zu-Bild-Modell mit offenen Gewichten von Speridlabs, veröffentlicht auf Hugging Face im Oktober 2026, mit einem arXiv-Paper vom 7. Oktober. Anders als die meisten Bildgeneratoren arbeitet es nicht in einem komprimierten latenten Raum, den ein VAE dekodiert: Ein Diffusion Transformer mit 3 Milliarden Parametern (8 Dual-Stream- und 16 Single-Stream-Blöcke) gibt über einen kleinen Pixel-Head rohe RGB-Pixel aus. Den Text liefert ein eingefrorener Qwen3-VL-4B-Encoder. Es wurde von Grund auf bei 256, 512 und dann 1.024 Pixeln trainiert, insgesamt 665.000 Schritte, und erzeugt Bilder von etwa einem Megapixel.
Das Repository enthält außerdem Iris-3B Turbo, eine destillierte Version mit 4 Schritten, die ein Bild von 1.024 mal 1.024 in etwa 0,7 Sekunden auf einer H100 erstellt, sowie zwei Fine-Tunes desselben Backbones für monokulare Tiefenschätzung und für 4x-Bildrestaurierung und Hochskalierung.
Alles steht unter Apache 2.0, einschließlich des Trainingscodes; auch der Text-Encoder Qwen3-VL-4B ist Apache 2.0.
Lohnt sich Iris-3B?
Iris-3B will mit weniger mehr erreichen. In der eigenen Tabelle des Projekts erzielt es 0,540 in OneIG-Bench, gleichauf mit den 0,539 des 20B-Modells Qwen-Image und knapp hinter den 0,546 von Z-Image 6B, sowie 0,798 in GenEval gegenüber 0,87 für Qwen-Image. Bei langem gerendertem Text fällt es weiter zurück: 0,857 in LongText-Bench gegenüber 0,943 für Qwen-Image und 0,935 für Z-Image. Das sind Läufe von Speridlabs mit offiziellen Evaluatoren und ohne Umschreiben der Prompts; die Vergleichszeilen stammen aus den Berichten der anderen Modelle, und keine unabhängige Arena hat es bisher bewertet.
Das Paper ist ungewöhnlich offen. Es wollte zeigen, dass der Verzicht auf den VAE eine bessere Grundlage für detailreiche Vision-Aufgaben bietet, und meldet „keine signifikante Verbesserung“: Auf Tiefe feinjustiert, zieht Iris-3B nur mit dem latenten FLUX.2 Klein gleich, und bei 4x-Restaurierung schlägt es einen latenten FLUX.2-Klein-Fine-Tune nicht. Die Aussage der Projektseite, Bildgeneratoren könnten Vision-Modelle wie DINOv2 ersetzen, geht weiter als das Paper.
Turbo ist der praktische Download. Vier Schritte mit eingebauter Guidance ergeben etwa 0,7 Sekunden pro Bild auf einer H100, und es erreicht 0,820 in GenEval, etwas über dem Basismodell, um den Preis geringerer Vielfalt über Seeds hinweg und weniger zuverlässigen langen Texts (0,804). Das volle Modell nutzt standardmäßig 100 Schritte.
Es verlangt mehr, als seine Parameterzahl vermuten lässt. Du brauchst eine NVIDIA-GPU mit CUDA und den eigenen Code des Projekts, da keine Unterstützung für diffusers oder ComfyUI dokumentiert ist, und allein die Text-zu-Bild-Gewichte belegen in float32 etwa 12 GB, Turbo weitere 6 GB. Für Forschende sind das offen veröffentlichte Rezept und der Trainingscode der Hauptanreiz.
Wo es sich lohnt
Ein Computer-Vision-Forscher an einem Universitätslabor
Diffusion im Pixelraum untersuchen, ohne ein Modell von Grund auf zu trainieren
Gewichte, Trainingsrezept und Destillationskonfigurationen sind unter Apache 2.0 öffentlich, und das Paper dokumentiert seine Fehlermodi. Wer bei Iris-3B ansetzt, spart den Pretraining-Lauf mit 665.000 Schritten; die Fine-Tunes für Tiefe brauchten 10.000 Schritte.
Ein Zwei-Personen-Studio, das eine App für Produkt-Mockups baut
Entwurfsbilder auf der eigenen GPU ohne Lizenzgebühren erzeugen
Turbo erzeugt ein Bild mit 1.024 Pixeln in etwa 0,7 Sekunden auf einer H100, ohne Kosten pro Bild und unter Apache 2.0. Prüfe textlastige Layouts mit eigenen Augen: Gerenderter Text ist seine schwächste Disziplin.
Bevor du dich festlegst
- Einrichtung
- Das Repository speridlabs/iris-3b per git clone holen, pip install -e . (Python 3.11 oder neuer, PyTorch 2.7.1 oder neuer), die Gewichte mit hf download laden und scripts/sample.py ausführen; der Text-Encoder wird beim ersten Lauf heruntergeladen. Eine NVIDIA-GPU mit CUDA ist erforderlich.
- Integrationen
- Kommandozeilenskripte für Sampling, Tiefe (scripts/depth.py) und Hochskalierung (scripts/upscale.py), dazu zwei Demos auf Hugging Face Spaces. Eine Community-LoRA mit 460 MB bietet eine leichtere Variante mit 4 Schritten.
- Daten und Datenschutz
- Läuft lokal. Apache 2.0 erlaubt kommerzielle Nutzung; die Modellkarte warnt, dass Ausgaben ungenau, verzerrt oder unsicher sein können und geprüft werden sollten.
- Kosten im großen Maßstab
- Keine API-Gebühren. Die Downloads umfassen etwa 12 GB für Text-zu-Bild, je 12 GB für das Tiefen- und das Upscaler-Modell und 6 GB für Turbo; die 0,7 Sekunden von Turbo gelten für eine H100 bei Batch-Größe 4.
- Grenzen
- Etwa ein Megapixel pro Bild; exakte Objektanzahlen und langer Text in Bildern sind unzuverlässig. Turbo ist auf 4 Schritte festgelegt, ohne CFG oder Negativ-Prompt, und liefert über Seeds hinweg ähnlichere Bilder.
Was gut ist
- 0,540 in OneIG-Bench, gleichauf mit dem 20B-Modell Qwen-Image (selbst angegeben)
- Turbo: 1.024 x 1.024 in etwa 0,7 s auf einer H100
- Gewichte unter Apache 2.0 und vollständiger Trainingscode
- Fine-Tunes für Tiefe und 4x-Hochskalierung im selben Repository
Was nicht
- Langer gerenderter Text liegt hinter Qwen-Image und Z-Image
- Nur NVIDIA CUDA; kein dokumentierter Weg über diffusers oder ComfyUI
- Maximale Ausgabe etwa ein Megapixel
- Das Paper findet keinen klaren Gewinn durch den Pixelraum-Prior
Am besten für
Forschende, die an Diffusion im Pixelraum arbeiten, und Entwickler, die ein freizügig lizenziertes, von Grund auf trainiertes Bildmodell wollen, das sie neu trainieren können.
Alternativen zu Iris-3B
Iris-3B: häufige Fragen
- Lohnt sich Iris-3B?
- Ein kleiner, vollständig offener Generator im Pixelraum, der in einem Benchmark mit Qwen-Image gleichzieht, von einem Labor, dessen eigenes Paper feststellt, dass der Vorteil des Pixelraums, den es beweisen wollte, ausblieb. Wir bewerten es mit 3.7 von 5.
- Was kostet Iris-3B?
- Kostenlose Gewichte und Code unter Apache 2.0; kostenlose Demos auf Hugging Face Spaces. Keine kostenpflichtige API.
- Welche Nachteile hat Iris-3B?
- Langer gerenderter Text liegt hinter Qwen-Image und Z-Image; Nur NVIDIA CUDA; kein dokumentierter Weg über diffusers oder ComfyUI; Maximale Ausgabe etwa ein Megapixel; Das Paper findet keinen klaren Gewinn durch den Pixelraum-Prior.
- Für wen eignet sich Iris-3B?
- Forschende, die an Diffusion im Pixelraum arbeiten, und Entwickler, die ein freizügig lizenziertes, von Grund auf trainiertes Bildmodell wollen, das sie neu trainieren können.
- Was kostet Iris-3B für ein Team oder im Produktivbetrieb?
- Keine API-Gebühren. Die Downloads umfassen etwa 12 GB für Text-zu-Bild, je 12 GB für das Tiefen- und das Upscaler-Modell und 6 GB für Turbo; die 0,7 Sekunden von Turbo gelten für eine H100 bei Batch-Größe 4.
- Ist Iris-3B sicher für Firmendaten?
- Läuft lokal. Apache 2.0 erlaubt kommerzielle Nutzung; die Modellkarte warnt, dass Ausgaben ungenau, verzerrt oder unsicher sein können und geprüft werden sollten.
- Was sind die besten Alternativen zu Iris-3B?
- Die nächsten Alternativen, die wir getestet haben, sind Z-Image-Turbo, FLUX 3 Image Klein und Qwen-Image-2.1.
Antworten geprüft am 31. Okt. 2026.