Recraft V4：在 Nebius AI Cloud 中使用 NVIDIA HGX B200 集群扩展图像生成能力

如今，市面上主流的图像生成模型，大多瞄准了最广泛的通用审美。这固然能吸引大量用户，但在面对品牌系统、营销战役或需要直接投产的设计项目时，其输出往往难以达到专业级标准。Recraft V4的诞生，正是为了填补这一空白。它并非闭门造车，而是与一线设计师深度协作，围绕真实、专业的创意需求进行打磨。可以说，Recraft V4为AI图像生成领域，带来了久违的“视觉品味”。

Recraft V4提供了两个版本：V4与V4 Pro。两者共享核心的创意功能和设计哲学，都能在艺术指导下生成专业级视觉作品。区别在于分辨率与规模：V4速度更快、成本更优；而V4 Pro则能产出更高分辨率的图像，足以应对印刷品和大规模商业应用的需求。其团队坚信，Recraft V4瞄准的是一个关键市场缺口——提供更注重专业设计美学，而非单纯迎合网络流行趋势的生成式图像。

Recraft开发的图像模型，旨在帮助设计师和营销人员高效制作高质量的视觉内容。其最新的Recraft V4模型，基于Nebius平台从零开始构建，是一个严格遵循专业设计标准的基础模型，能够生成视觉效果出众、具备品牌级品质的图像。自公司推出首个专为设计团队打造的文生图模型以来，企业用户和个人创作者已在Recraft平台上生成了超过3.5亿张图片。

作为NVIDIA Blackwell GPU的早期采用者，Recraft与Nebius合作，在最新芯片正式上市前便进行了深度测试。NVIDIA Blackwell架构专为大规模AI训练设计，为Recraft扩展其基础模型提供了所需的强大算力。与Nebius的合作，使得团队能够无缝过渡到新架构，并在Nebius AI Cloud的NVIDIA HGX B200集群上顺畅运行模型的训练与推理任务。

尼比乌斯和雷克拉夫特

Recraft与Nebius的合作关系由来已久，并成功部署了从NVIDIA Ampere到Hopper，再到最新的Blackwell平台。他们是Nebius AI云平台的首批客户，也是早期尝鲜NVIDIA Blackwell GPU的用户。在成功部署HGX B200后，他们已开始在其工作负载上测试更强大的HGX B300实例。

Recraft坚信，模型规模是提升质量的关键，通过构建大型基础模型来创造高质量的视觉内容。“对于图像生成而言，模型越大，质量通常就越好，”Recraft的人工智能主管Pa vel Ostyakov解释道。“但我们所说的规模，不仅仅指参数数量。根据我们的经验，最重要的因素是运算量，即模型内部用于生成输出的浮点运算次数（FLOPS）。借助NVIDIA Blackwell GPU，我们能够显著扩展模型的运算量和参数量——在这个案例中，我们谈论的是数百亿级别的参数。”

平稳迁移到最新架构

全新的Blackwell架构带来了显著的训练性能和推理能力提升，其大语言模型（LLM）训练速度比上一代快四倍。为支持Recraft的模型训练，Nebius提供了配备NVIDIA Blackwell GPU并通过NVIDIA Quantum-2 InfiniBand互连的集群。

对Recraft来说，从NVIDIA Hopper过渡到Blackwell的过程异常顺畅。他们基于PyTorch的软件栈与NVIDIA容器完全兼容，后者提供了开箱即用的预编译库。分布式训练工作负载无需对GPU通信软件栈做任何修改，InfiniBand网络也提供了与前几代GPU同样可靠的性能。

当然，为了在新架构上获得最佳的生产性能，Recraft团队也对其训练设置进行了一些定制化优化，例如重写了部分代码，将网络编译方式从使用TensorRT切换为直接使用torch.compile。

“如果你的代码结构清晰、简洁，那么切换到新GPU基本上不需要做什么特殊操作，”Ostyakov指出。

工程支持和强大的基础设施

Nebius的基础设施通过优化的软件栈和预防性维护，极大简化了硬件升级流程。Nebius AI云平台提供强大的监控服务和详尽的日志记录，显著提升了集群的可观测性，使得Recraft能够快速定位并解决性能瓶颈。

得益于高效的检查点设置和重启流程，Recraft工程师遇到的训练中断情况极少。这主要归功于Nebius的自动化维护系统和故障检测功能。当InfiniBand链路或GPU出现离线情况时，系统会自动替换故障节点并从上一个检查点恢复训练，从而将对可能持续数天的长周期训练的干扰降至最低。

在向NVIDIA Blackwell GPU迁移的过程中，Recraft还与Nebius的内部工程团队紧密协作，依托后者在硬件升级方面的丰富经验和对最新架构的深厚专业知识，顺利解决了早期访问测试阶段遇到的各种问题。

Recraft的训练精准策略

最新一代的GPU为训练精度提供了更多选择，同时支持FP8和FP4量化，这潜在地带来了更快的性能。

Recraft会根据具体工作负载的质量要求来灵活选择训练精度格式。由于精度对图像生成质量至关重要，他们主要使用bfloat16进行模型主体训练。然而，在模型流程中运行文本编码器组件时，他们则采用FP8精度——因为这些权重在预训练后保持冻结，较低的精度可以在不影响最终输出质量的前提下，显著加快样本处理速度。

对于LLM推理工作负载，Recraft采用了与之前在NVIDIA Hopper上一致的FP8精度策略。目前，该团队正在试验NVIDIA Blackwell的原生4位格式NVFP4，以期进一步优化推理速度。

Recraft升级到NVIDIA Blackwell GPU的经验总结

• 轻松升级到前沿芯片：从NVIDIA Hopper迁移至Blackwell，所需代码更改极少，具备开箱即用的兼容性，并完整支持分布式训练。

• 扩展图像生成能力：成功部署NVIDIA Blackwell GPU以扩展其模型规模，验证了该硬件适用于大规模图像生成模型的训练需求。

• 训练精度优化：在NVIDIA Blackwell GPU上部署了针对工作负载特化的精度格式——主体训练使用BF16，FP8用于加速文本编码器训练，并尝试使用NVFP4以提升推理速度。

• 可靠的基础设施与现场支持：Nebius AI云平台通过自动故障检测和检查点恢复功能，最大程度减少了训练中断。Nebius的工程师团队提供随时待命的现场支持，协助解决技术难题，加速新一代AI技术融入团队工作流。