2 万美元训出一个文生图模型，权重全开源

「训一个自己的文生图模型」需要多少钱？Linum 团队给出的答案是约 2.1 万美元：他们的 2B 参数像素空间模型 Pyramid-JiT（pjit-21k）刚开源了权重（Apache 2.0，Hugging Face 可下载），11 月 5 日还登上了 Hacker News 首页。仓库 11 月 3 日才创建，星数还只有两位数，但卖点从来不是星数，是这张训练账单。

按仓库自述口径，训练共消耗 660M 样本：512px 分辨率下 610M 样本，1024px 下 50M 样本，再用有限差分流优化 FDFO（arXiv 2603.12893 的变体）做后训练。团队说这是通往下一个视频模型的中间步骤，之所以发布，是因为「这个尺寸的结果好得出乎意料」，想鼓励更多人探索高效训练路线。

诚实前提写得相当到位，值得全文照读：这是实验性研究检查点，不是生产模型，「应预期有粗糙边缘」；它不会写字、不能生成海报，因为训练时主动滤掉了渲染文本数据（信息图、PDF、书页、幻灯片、海报），提示词要求出字时，提示词上采样器会返回 text_requested 错误而不是硬画一个歪歪扭扭的假字。要做海报和信息图的读者，看到这里就可以划走了。

上手倒是顺畅：git clone 后 pip install -e . 即可跑，不需要 API key（提示词本身够详细时跳过上采样器）；Triton 首次使用会编译小的 CUDA shim，需要 build-essential 与 python3-dev；博客与可复现的示例 prompt 加 seed 都备齐了。

把这张账和本站写过的两篇放一起看很有意思：Karpathy 的 nanochat 把「训一个 ChatGPT」压到 100 美元档，纯 C99 引擎把「跑一个 2.78 万亿参数模型」压到 176KB，现在 pjit-21k 把「训一个文生图」压到 2 万美元档。大模型的事正在被一条条拆成小团队够得着的账单，这条趋势比任何一个单独的项目都重要。当然要算总账：2.1 万美元不含人力与试错，别读成「两万美元就能训出 SOTA」。