Это исходный отчёт фазы как есть — со всеми таблицами и методикой. Живая версия: 🎨 Картинки по описанию.

Фаза 9: генерация картинок

Прогон: 22–23 октября 2026
Хост: UGREEN DXP4800 Pro, i3-1315U, 32 GB, iGPU Intel RPL-U (Xe-LP, 64 EU)
Что меряли: можно ли на встроенной графике NAS генерировать картинки по текстовому описанию, сколько это занимает и насколько картинки соответствуют промпту, в том числе русскому.

Коротко

• Генерировать картинки на этом iGPU можно, но медленно и только через SYCL. FLUX.2 Klein 4B рисует картинку 768×768 за ~3 мин, Z-Image Turbo — за ~6 мин, FLUX.3 Image Klein — за ~8 мин (вместе с ~1 мин на запуск процесса). Памяти — около 8 GiB.
• Качество у трёх современных моделей хорошее и почти одинаковое. Все три пишут текст на картинке («OPEN 24 HOURS», «25°C»), правильно считают и раскладывают цвета («три зелёных яблока и одно красное», «синий куб на жёлтом шаре») и понимают русские промпты: кот на подоконнике, деревянная церковь, матрёшки, трамвай. SigLIP2 по 8 общим английским промптам — 0.21 у всех трёх.
  • Лучше всех по-русски — Z-Image Turbo: идеальная надпись «Булочная» и настоящий самовар. FLUX.3 тоже пишет «Булочная», но самовар у него — чайник, а борщ — фасолевый суп. FLUX.2 пишет «Булочна» и путает баранки с луком.
  • Для дома разумный выбор — FLUX.2 Klein: вдвое быстрее Z-Image и почти не хуже.
• SD-Turbo — 10 секунд на картинку 512×512 на Vulkan, но это другой класс. Текст превращается в абракадабру («O PDFENN 20FOINULSS»), счёт и цвета путаются, русские промпты не понимает вовсе: «самовар», «матрёшки», «борщ» — европейские улицы (SigLIP2 на русских промптах −0.02, уровень шума).
• На Vulkan современные модели рисуют чистый шум. FLUX.2 Klein, Z-Image и FLUX.3 через stable-diffusion.cpp (master-vulkan) на этом iGPU выдают цветной шум (SigLIP2 около −0.03). Ломается сама диффузионная модель: если вынести на CPU только её, картинка нормальная (но 6 минут на 512×512); текстовый энкодер на CPU и веса в f16 не помогают.
• SYCL работает, но с двумя обходами. sd-server на SYCL зависает на втором запросе, поэтому каждая картинка рисуется в свежем процессе sd-cli (~1 мин на старт). А на 768 px VAE без --vae-tiling декодирует только среднюю полосу кадра.

Как мерили

• Промпты (prompts.jsonl): 24 английских (животные, еда, интерьеры, счёт и цвета — «три зелёных яблока и одно красное», «синий куб на жёлтом шаре», — текст на картинке — «OPEN 24 HOURS», «25°C», — стили) и 8 русских с английским переводом («Самовар на деревянном столе, рядом связка баранок», «Вывеска магазина с надписью «Булочная»» и т. п.).
• Модели:
  • SD-Turbo — 1 шаг, 512 px;
  • FLUX.2 Klein 4B Q8_0 + Qwen3-4B как текстовый энкодер — 4 шага, 768 px;
  • Z-Image Turbo Q4_K + Qwen3-4B-Instruct — 8 шагов, 768 px;
  • FLUX.3 Image Klein Q4_K + Qwen3-VL-4B — 16 шагов, 768 px.
• Рантайм: stable-diffusion.cpp, образы master-vulkan и master-sycl (22.10.2026), --cfg-scale 1.0, seed 42.
  • Vulkan — sd-server, API /sdapi/v1/txt2img, картинки по одной (img_client.py).
  • SYCL — sd-cli, свежий процесс на каждую картинку (img_cli.py).
• Соответствие промпту — SigLIP2 (ViT-B-16-SigLIP2__webli через Immich ML, clip_score.py): косинус между картинкой и текстом промпта. Для русских промптов — и по самому промпту, и по переводу.
• Ограничения выборки: FLUX.2 Klein — все 32 промпта; Z-Image и FLUX.3 (в 2–3 раза медленнее) — 16: счёт и цвета, текст, фэнтези-карта, пиксель-арт и все 8 русских.
• Воспроизведение: на NAS run_img.sh fetch | gen | score, chain.sh, sd_diag.sh (диагностика), rerun_sycl.sh + img_cli.py (SYCL); таблицы генерирует python3 make_report.py.

Скорость, память, соответствие промпту

«С/картинку» — медиана полного времени на картинку (у sd-cli с запуском процесса, ~1 мин на старт SYCL); «генерация» — время самой генерации по логу sd.cpp. SigLIP2 — косинус между картинкой и промптом (ViT-B-16-SigLIP2, та же модель, что для поиска в Immich), среднее; для русских промптов — по самому промпту и по его английскому переводу; «8 общих» — английские промпты, которые есть у всех моделей. У шума SigLIP2 около −0.03, у осмысленных картинок 0.15–0.22.

Диагностика: где ломается Vulkan

Одна картинка 512×512 (промпт «A red fox sitting in fresh snow at sunrise»), каждый вариант в свежем процессе sd-cli. «Генерация» — по логу sd.cpp, без запуска процесса.

Выводы и рекомендации

• Если нужна генерация картинок на NAS — FLUX.2 Klein 4B через sd-cli на SYCL с --vae-tiling: ~3 мин на картинку 768×768, понимает русский, пишет текст. Это режим «заказал и пошёл пить чай», не интерактив.
• Для быстрых черновиков — SD-Turbo на Vulkan (10 с), но только по-английски и без текста на картинке.
• iGPU занят целиком: во время генерации запускать LLM или VLM нельзя — в нашем случае параллельная модель на iGPU роняла генерацию («failed during weight preparation»). Если генерация нужна вместе с ассистентом, её надо ставить в очередь.
• SigLIP2 как метрика соответствия промпту отделяет шум и непонимание языка (около нуля) от осмысленных картинок (0.15–0.22), но тонкую разницу между хорошими моделями не видит: SD-Turbo с абракадаброй вместо текста получает 0.17 против 0.21. Качество в деталях оценено глазами.

Заметки для фреймворка

• stable-diffusion.cpp на Vulkan и этом iGPU: диффузионные модели FLUX.2/FLUX.3 Klein и Z-Image дают шум (проверено с текстовым энкодером и VAE на CPU, с --type f16). В логе — «conv2d direct auto: Vulkan0 -> off (probe output check failed)», у устройства bf16: 0. SD-Turbo (UNet) работает.
• SYCL: работает, но sd-server зависает на втором запросе (100% одного ядра, ответа нет); sd-cli в свежем процессе — стабильно, ~1 мин на запуск. С SYCL_CACHE_PERSISTENT=1 и SYCL_CACHE_DIR sd-cli падает с segfault сразу после поиска устройств.
• VAE на CPU (Vulkan для остального) у FLUX.2 даёт белый лист — не путь.
• SYCL на 768 px портит декодирование VAE: правильной выходит только средняя полоса кадра, сверху — блёклая фиолетовая копия, снизу — ровный серый (у всех трёх моделей; на 512 px всё нормально). Похоже на лимит одного выделения памяти SYCL: буфер VAE на 768 px ~5.6 GB. Лечение — --vae-tiling (декодирование кусками); картинки с полосами — raw/*-sycl.band768/.