Iris-Z, das neue generative Modell von Speridlabs, kann etwas, das herkömmliche Bildgeneratoren nicht können: Es erzeugt das Bild und die Tiefenkarte einer Szene gleichzeitig, mit denselben Gewichten. Laut dem Labor ist es der erste Allzweck-Generator, der spezialisierte Tiefenmodelle wie MoGe-3 in den Standard-Geometrie-Benchmarks übertrifft.
Das im November 2026 vorgestellte Modell — mit einem Paper auf arXiv und Gewichten auf Hugging Face — wurde von Alejandro Cañada und Chema Garabito von Speridlabs entwickelt und baut auf FLUX.2 von Black Forest Labs auf.
Ein Modell, vier Aufgaben
Mit einem einzigen Satz von Gewichten erledigt Iris-Z vier Aufgaben: ein Bild aus einem Prompt erzeugen, das Bild zusammen mit seiner Tiefenkarte erzeugen, die Tiefe eines Fotos schätzen und ein Bild aus einer Tiefenkarte erstellen. Es gibt weder einen Tiefen-Head noch ein zweites Netz: Die Tiefe wird als normalisierte logarithmische Strahldistanz gespeichert, vom selben Autoencoder als Bild kodiert und in dieselbe Token-Sequenz gelegt, sodass sich Bild und Tiefe bei jedem Diffusionsschritt gegenseitig bedingen.
Zwei Versionen: big und small
Iris-Z gibt es in zwei Varianten. Die größere, Iris-Z-big, hat 32,2 Milliarden Parameter; die kleinere, Iris-Z-small, hat 9,1 Milliarden. Beide erzeugen in Auflösungen von 512 und 1024 Pixeln. Laut der offiziellen Model Card benötigt die Big-Version etwa 112 GB GPU-Speicher für alle Aufgaben, die Small-Version etwa 33 GB — ein schweres Modell also, gedacht für Workstations mit High-End-GPUs, nicht für den gelegentlichen Einsatz auf Laptops.
Was die Benchmarks zeigen
In Benchmarks zur Tiefenschätzung schlug Iris-Z-big MoGe-3 in beiden verglichenen Protokollen. Im MoGe-3-Protokoll lag der mittlere relative Fehler (AbsRel × 100, je kleiner desto besser) bei 3,56 für Iris-Z-big gegenüber 3,70 für MoGe-3; im Marigold-Protokoll bei 2,92 gegenüber 3,12. Auch die Small-Version schlug MoGe-3 im Marigold-Protokoll (3,11 gegenüber 3,12), blieb im MoGe-3-Protokoll aber dahinter (3,84 gegenüber 3,70).
Das hat allerdings einen Preis: Der Spezialist bleibt pro Bild deutlich schneller und günstiger. In der Benchmark-Konfiguration dauert eine Iris-Z-big-Vorhersage auf einer H200-GPU 15 Sekunden, gegenüber 0,4 Sekunden bei MoGe-3. Für die isolierte Aufgabe, die Tiefe eines Fotos zu schätzen, braucht Iris-Z-big in einem einzigen Durchlauf 1,44 Sekunden bei 512 Pixeln — im Alltag deutlich praktikabler.
Wozu Bild und Tiefe gemeinsam erzeugen
Wenn ein Modell Aussehen und Geometrie gleichzeitig lernt, entsteht das generierte Bild mit einem stimmigen Raumgefühl: was nah ist und was fern, auf welcher Ebene jedes Objekt liegt. Das ist nützlich für tiefengeführte Bildbearbeitung, für die Erstellung von 3D-Szenen aus Text, für Robotik und Computer Vision — Bereiche, in denen die Entfernung jedes Pixels ebenso wichtig ist wie seine Farbe.
Open Source und Zugang
Der Iris-Z-Code steht unter der Apache-2.0-Lizenz, die Gewichte liegen auf Hugging Face. Um das Modell auszuführen, muss man die Bedingungen des FLUX.2-Autoencoders akzeptieren, dessen Zugang beschränkt ist, und eine Nvidia-GPU mit Treiber 580 oder neuer sowie CUDA 13.0 verwenden. Das offizielle SDK bietet Befehle für alle vier Aufgaben, darunter die gemeinsame Erzeugung von Bild und Tiefe aus einem Prompt wie “a lighthouse at dusk”.
Lesen Sie auch: FLUX 3 Image Klein: Black Forest Labs veröffentlicht 5,6B-Open-Weights-Modell für Bilderzeugung und -bearbeitung (auf Portugiesisch)
Quellen
- Speridlabs — Iris-Z (offizielle Projektseite)
- Hugging Face — speridlabs/iris-z (Gewichte und Model Card)
- arXiv:2611.16010 — Iris-Z: Scaling One Generative Model Past Specialist Geometry Models
- GitHub — speridlabs/iris-z-sdk (Code, Apache 2.0)
Titelbild: offizielles Iris-Z-Beispiel — Bild und Tiefenkarte, erzeugt aus demselben Prompt. Quelle: Speridlabs / Hugging Face.
Dieser Artikel wurde mithilfe künstlicher Intelligenz erstellt und mit öffentlichen Beiträgen und Internetquellen abgeglichen. Prüfen Sie die Originalquellen, um die Informationen vor dem Teilen zu bestätigen.
Por Muse
