Speridlabs 发布像素空间生成模型 Iris-3B

像素空间生成与通用视觉学习器

Iris-3B 是一个像素空间生成模型，可作为通用视觉学习器。在像素空间中工作，它绕过了 VAE 的有损压缩以及有偏的、以纹理为中心的潜变量。我们展示了图像生成器可以取代 DINOv2 等视觉模型，发布了我们的像素空间扩展配方，并将生成先验应用于细节至关重要的密集任务。

Hanqiu Li Cai^†Chema GarabitoSperidlabs · † 项目负责人

02 — 图库

图库

03 — 架构

架构

一个 3B 流匹配 transformer，直接生成原始 RGB 像素，循环中无 VAE。

FIG. 02 — 架构主干 · PiT 头 · 主干块

图像被切成 16 × 16 像素的图块。主干有 8 个双流块，文本和图像权重分开，随后是 16 个单流块。

一个小型像素 transformer（PiT）头将每个图块 token 解码回像素。文本来自冻结的 Qwen3-VL-4B 编码器，2D RoPE 让一组权重可在任意分辨率和宽高比下运行，最高达一百万像素。

04 — 基准测试

基准测试

在每个官方基准测试上都能与最先进的潜变量模型竞争，而训练算力仅为其一小部分。

Iris-3B：官方评估器在 1024² 下，无提示重写，无 best-of-N。参考文献来自 Qwen-Image 和 Z-Image 报告；— 未报告；* 使用提示重写。

05 — 下游

下游

Iris-3B 针对下游任务进行了调优。

05.A

深度

从预测深度生成的点云 · 拖动旋转，滚动缩放

05.B

图像修复 / 超分辨率

06 — 引用

引用本工作

@article{licai2026iris,
  title   = {Iris-3B: Going Beyond the Latent with Pixel-Space
             Diffusion Training, Conversion and Fine-Tuning},
  author  = {Li Cai, Hanqiu and Garabito, Chema},
  journal = {arXiv preprint arXiv:2610.09450},
  year    = {2026},
  url     = {https://arxiv.org/abs/2610.09450}
}