O que é Iris-3B?
O Iris-3B é um modelo de texto para imagem de pesos abertos da Speridlabs, publicado no Hugging Face em outubro de 2026 com um artigo no arXiv lançado em 7 de outubro. Ao contrário da maioria dos geradores de imagem, ele não trabalha em um espaço latente comprimido decodificado por um VAE: um diffusion transformer de 3 bilhões de parâmetros (8 blocos dual-stream e 16 single-stream) gera pixels RGB brutos por meio de uma pequena cabeça de pixels. O texto vem de um codificador Qwen3-VL-4B congelado. Foi treinado do zero em 256, 512 e depois 1.024 pixels, 665.000 passos no total, e gera imagens de cerca de um megapixel.
O repositório também traz o Iris-3B Turbo, uma versão destilada de 4 passos que cria uma imagem de 1.024 por 1.024 em cerca de 0,7 segundo em uma H100, e dois fine-tunes do mesmo backbone, para estimativa de profundidade monocular e para restauração e upscaling de imagem em 4x.
Tudo está sob Apache 2.0, incluindo o código de treinamento; o codificador de texto Qwen3-VL-4B também é Apache 2.0.
Iris-3B vale a pena?
O argumento do Iris-3B é fazer mais com menos. Na tabela do próprio projeto, ele marca 0,540 no OneIG-Bench, no nível dos 0,539 do Qwen-Image de 20B e logo atrás dos 0,546 do Z-Image 6B, e 0,798 no GenEval contra 0,87 do Qwen-Image. Fica mais para trás em textos longos renderizados: 0,857 no LongText-Bench contra 0,943 do Qwen-Image e 0,935 do Z-Image. São execuções da Speridlabs com avaliadores oficiais e sem reescrita de prompts; as linhas de comparação vêm dos relatórios dos outros modelos, e nenhuma arena independente o avaliou ainda.
O artigo é incomumente franco. Ele se propôs a mostrar que dispensar o VAE dá uma base melhor para tarefas de visão ricas em detalhes, e relata "nenhuma melhora significativa": com fine-tune para profundidade, o Iris-3B só empata com o FLUX.2 Klein latente, e na restauração 4x não supera um fine-tune latente do FLUX.2 Klein. A frase da página do projeto de que geradores de imagem podem substituir modelos de visão como o DINOv2 vai além do que o artigo diz.
O Turbo é o download prático. Quatro passos com guidance embutido dão cerca de 0,7 segundo por imagem em uma H100, e ele marca 0,820 no GenEval, um pouco acima do modelo base, ao custo de menos variedade entre seeds e texto longo menos confiável (0,804). O modelo completo usa 100 passos por padrão.
Ele exige mais do que a contagem de parâmetros sugere. Você precisa de uma GPU NVIDIA com CUDA e do código do próprio projeto, já que não há suporte documentado a diffusers ou ComfyUI, e só os pesos de texto para imagem têm cerca de 12 GB em float32, com mais 6 GB do Turbo. Para um pesquisador, a receita e o código de treinamento publicados abertamente são a principal atração.
Onde ele se destaca
Um pesquisador de visão computacional em um laboratório universitário
Estudar difusão no espaço de pixels sem treinar um modelo do zero
Os pesos, a receita de treinamento e as configurações de destilação são todos públicos sob Apache 2.0, e o artigo documenta os modos de falha. Partir do Iris-3B poupa o pré-treinamento de 665.000 passos; os fine-tunes de profundidade usaram 10.000 passos.
Um estúdio de duas pessoas que constrói um app de mock-ups de produto
Gerar imagens de rascunho na própria GPU sem taxas de licença
O Turbo produz uma imagem de 1.024 pixels em cerca de 0,7 segundo em uma H100, sem cobrança por imagem e com licença Apache 2.0. Confira a olho os layouts com muito texto: o texto renderizado é seu ponto mais fraco.
Antes de decidir
- Configuração
- Faça git clone do repositório speridlabs/iris-3b, rode pip install -e . (Python 3.11 ou mais recente, PyTorch 2.7.1 ou mais recente), baixe os pesos com hf download e execute scripts/sample.py; o codificador de texto é baixado na primeira execução. É necessária uma GPU NVIDIA com CUDA.
- Integrações
- Scripts de linha de comando para amostragem, profundidade (scripts/depth.py) e upscaling (scripts/upscale.py), além de duas demos no Hugging Face Spaces. Uma LoRA da comunidade de 460 MB oferece uma variante mais leve de 4 passos.
- Dados e privacidade
- Roda localmente. A Apache 2.0 permite uso comercial; o card avisa que as saídas podem ser imprecisas, enviesadas ou inseguras e devem ser revisadas.
- Custo em escala
- Sem taxas de API. Os downloads têm cerca de 12 GB para texto para imagem, 12 GB cada para os modelos de profundidade e upscaling e 6 GB para o Turbo; o número de 0,7 segundo do Turbo é para uma H100 com batch size 4.
- Limites
- Cerca de um megapixel por imagem; contagens exatas de objetos e textos longos nas imagens não são confiáveis. O Turbo é fixo em 4 passos, sem CFG nem prompt negativo, e gera imagens mais parecidas entre seeds.
O que é bom
- 0,540 no OneIG-Bench, no nível do Qwen-Image de 20B (autodeclarado)
- Turbo: 1.024 x 1.024 em cerca de 0,7 s em uma H100
- Pesos Apache 2.0 e código de treinamento completo
- Fine-tunes de profundidade e upscaling 4x no mesmo repositório
O que não é
- Texto longo renderizado fica atrás do Qwen-Image e do Z-Image
- Apenas NVIDIA CUDA; sem caminho documentado para diffusers ou ComfyUI
- Saída máxima de cerca de um megapixel
- O artigo não encontra ganho claro do prior no espaço de pixels
Ideal para
Pesquisadores que trabalham com difusão no espaço de pixels e desenvolvedores que querem um modelo de imagem treinado do zero, com licença permissiva, que possam retreinar.
Alternativas ao Iris-3B
Iris-3B: perguntas frequentes
- Iris-3B vale a pena?
- Um gerador pequeno e totalmente aberto no espaço de pixels que empata com o Qwen-Image em um benchmark, de um laboratório cujo próprio artigo conclui que a vantagem do espaço de pixels que ele queria provar não apareceu. Damos nota 3.7 de 5.
- Quanto custa Iris-3B?
- Pesos e código gratuitos sob Apache 2.0; demos gratuitas no Hugging Face Spaces. Sem API paga.
- Quais são as desvantagens de Iris-3B?
- Texto longo renderizado fica atrás do Qwen-Image e do Z-Image; apenas NVIDIA CUDA; sem caminho documentado para diffusers ou ComfyUI; saída máxima de cerca de um megapixel; o artigo não encontra ganho claro do prior no espaço de pixels.
- Para quem Iris-3B é indicado?
- Pesquisadores que trabalham com difusão no espaço de pixels e desenvolvedores que querem um modelo de imagem treinado do zero, com licença permissiva, que possam retreinar.
- Quanto custa Iris-3B para uma equipe ou em produção?
- Sem taxas de API. Os downloads têm cerca de 12 GB para texto para imagem, 12 GB cada para os modelos de profundidade e upscaling e 6 GB para o Turbo; o número de 0,7 segundo do Turbo é para uma H100 com batch size 4.
- Iris-3B é seguro para dados da empresa?
- Roda localmente. A Apache 2.0 permite uso comercial; o card avisa que as saídas podem ser imprecisas, enviesadas ou inseguras e devem ser revisadas.
- Quais são as melhores alternativas ao Iris-3B?
- As alternativas mais próximas que analisamos são Z-Image-Turbo, FLUX 3 Image Klein e Qwen-Image-2.1.
Respostas verificadas em 31 de out. de 2026.