Інтеграція Kandinsky (Сбер) для генерації зображень
Замовник з e-commerce: потрібно генерувати зображення товарів з російськомовним текстом на банерах. Англійські моделі (SDXL, DALL-E) видають безглузді написи — кирилиця перетворюється на ієрогліфи. Навіть після тонкого донавчання на російських даних західні моделі часто плутають літери або генерують нечитабельний текст. Kandinsky від Сбера вирішує цю проблему нативно: його CLIP-модель навчена на російськомовних текстах, тому промпти на кшталт «червоний валянок з візерунками» обробляються без перекладу. Модель розуміє культурні контексти — від «казки Пушкіна» до «радянської мозаїки». Ми інтегруємо Kandinsky двома способами: через хмарне API Сбера (FusionBrain) або розгортаємо модель на ваших GPU з використанням PyTorch та diffusers. Ви отримуєте суверенітет даних у self-hosted варіанті та економію на GPU-годинах при високих навантаженнях.
Відразу уточню: якщо ваш проєкт орієнтований на російськомовну аудиторію, вибір на користь Kandinsky дає перевагу за швидкістю та якістю. Західні моделі потребують додаткової передобробки промптів — перекладача, адаптації стилів. Kandinsky працює з коробки. При цьому self-hosted версія забезпечує суверенітет даних: зображення не залишають ваш контур, що критично для банків, ритейлу та держсектора.
Чому Kandinsky кращий за західні моделі для російськомовних проєктів?
Kandinsky виграє за рахунок нативної русифікації: немає втрати сенсу при перекладі промпту, культурні референси (казки, топоніміка, радянський дизайн) розпізнаються коректно. Self-hosted версія забезпечує повний суверенітет даних — зображення не залишають ваш контур. А для специфічно російських концепцій якість генерації вища, ніж в англоцентричних моделей, навіть після донавчання.
Які варіанти інтеграції Kandinsky існують?
Вибір варіанту залежить від навантаження, вимог до latency та бюджету. Нижче — порівняння ключових параметрів.
| Параметр | API Сбера | Self-hosted (Kandinsky 2.2/3) |
|---|---|---|
| Затримка (p99) | ~5-10 сек | ~1-3 сек (на GPU A100) |
| Макс. роздільна здатність | 1536×1536 | 1024×1024 (Kandinsky 3) |
| Вартість | Залежить від тарифу | Витрати на GPU + електроенергію |
| Контроль даних | Обробка на серверах Сбера | Повний контроль, on-premise |
| Інтеграція | 1-2 дні | 1-2 тижні |
| Підтримка рос. промптів | Так | Так |
Kandinsky 2.2: стабільна версія, оптимізована для інференсу. Kandinsky 3: покращена якість, підтримка 1024x1024, але потребує більше VRAM. Рекомендуємо 3 для нових проєктів, якщо дозволяє обладнання.
API Сбера
Використовуємо офіційний API FusionBrain. Нижче — робочий клієнт на Python з асинхронною polling-логікою.
import httpx
import base64
import asyncio
class KandinskyClient:
def __init__(self, api_key: str, secret_key: str):
self.api_key = api_key
self.secret_key = secret_key
self.base_url = "https://api-key.fusionbrain.ai/key/api/v1"
async def generate(
self,
prompt: str,
width: int = 1024,
height: int = 1024,
num_images: int = 1,
style: str = "DEFAULT" # DEFAULT, KANDINSKY, UHD, ANIME, DIGITAL_ART
) -> list[bytes]:
# Отримуємо список моделей
async with httpx.AsyncClient() as client:
models_resp = await client.get(
f"{self.base_url}/models",
headers={"X-Key": f"Key {self.api_key}", "X-Secret": f"Secret {self.secret_key}"}
)
model_id = models_resp.json()[0]["id"]
# Запускаємо генерацію
params = {
"type": "GENERATE",
"numImages": num_images,
"width": width,
"height": height,
"generateParams": {"query": prompt},
"style": style
}
gen_resp = await client.post(
f"{self.base_url}/text2image/run",
headers={"X-Key": f"Key {self.api_key}", "X-Secret": f"Secret {self.secret_key}"},
data={"model_id": str(model_id), "params": json.dumps(params)}
)
uuid = gen_resp.json()["uuid"]
# Очікуємо результат
return await self.poll_result(client, uuid)
async def poll_result(self, client, uuid: str, max_attempts: int = 30) -> list[bytes]:
headers = {"X-Key": f"Key {self.api_key}", "X-Secret": f"Secret {self.secret_key}"}
for _ in range(max_attempts):
await asyncio.sleep(2)
resp = await client.get(f"{self.base_url}/text2image/status/{uuid}", headers=headers)
data = resp.json()
if data["status"] == "DONE":
return [base64.b64decode(img) for img in data["images"]]
raise TimeoutError("Generation timeout")
Self-hosted через Hugging Face
Розгортаємо Kandinsky 2.2 на вашому GPU-сервері. Підходить, якщо потрібно генерувати сотні зображень за хвилину і тримати дані всередині периметру. У production використовуємо Triton Inference Server для оптимізації інференсу, vLLM для управління пам'яттю, MLflow для логування метрик.
from diffusers import KandinskyV22Pipeline, KandinskyV22PriorPipeline
import torch
prior = KandinskyV22PriorPipeline.from_pretrained(
"kandinsky-community/kandinsky-2-2-prior",
torch_dtype=torch.float16
).to("cuda")
pipeline = KandinskyV22Pipeline.from_pretrained(
"kandinsky-community/kandinsky-2-2-decoder",
torch_dtype=torch.float16
).to("cuda")
def generate_kandinsky(prompt: str, negative_prompt: str = "") -> bytes:
# Prior: текст → ембеддінги
image_embeds, negative_image_embeds = prior(
prompt, negative_prompt=negative_prompt
).to_tuple()
# Decoder: ембеддінги → зображення
image = pipeline(
image_embeds=image_embeds,
negative_image_embeds=negative_image_embeds,
height=768,
width=768,
num_inference_steps=25
).images[0]
import io
buf = io.BytesIO()
image.save(buf, format="PNG")
return buf.getvalue()
Як вибрати між API та self-hosted?
Якщо потрібно швидко протестувати гіпотезу або навантаження невелике — API Сбера запускається за 1-2 дні. Для production з високим обсягом генерацій (500+ зображень на годину) і суворими вимогами до latency обирайте self-hosted. Self-hosted потребує GPU з 16+ GB VRAM (наприклад, NVIDIA A10G або A100). Вартість розгортання розраховується індивідуально, але економія на GPU-годинах при великих обсягах може бути суттєвою порівняно з хмарним API. Не впевнені у виборі? Зв'яжіться з нами, ми допоможемо визначитися.
Процес роботи під ключ
Наші інженери мають досвід впровадження Kandinsky у production — понад 10 успішних проєктів. Інтеграція проходить за стандартним пайплайном:
- Аналітика: вивчаємо ваші сценарії (розміри, стилі, навантаження).
- Проектування: обираємо варіант (API/self-hosted), проектуємо архітектуру.
- Реалізація: пишемо інтеграційний код, адаптуємо параметри генерації.
- Тестування: перевіряємо якість на реальних кейсах, вимірюємо latency.
- Деплой: розгортаємо у вашу інфраструктуру, налаштовуємо моніторинг.
Що входить в роботу
- Налаштування API або деплой self-hosted моделі.
- Написання клієнтської бібліотеки на Python.
- Інтеграція з вашим бекендом (CI/CD, черги, кешування).
- Документація (OpenAPI, README).
- Навчання команди (1-2 сесії).
- Технічна підтримка 1 місяць.
Терміни інтеграції
| Етап | API | Self-hosted |
|---|---|---|
| Аналітика + проектування | 1 день | 2-3 дні |
| Реалізація + тестування | 1 день | 5-7 днів |
| Деплой + документація | 1 день | 2-3 дні |
| РАЗОМ | 3 дні | 10-14 днів |
Типові помилки при роботі з Kandinsky
- Неправильний параметр style: якщо не вказати, модель використовує DEFAULT, який може не підходити для ваших завдань. Для фотореалістичних зображень вкажіть UHD.
- Великі розміри через API: розмір більше 1536 призводить до помилки 400. Використовуйте клієнтську ресайзелку.
- Self-hosted: несумісність версій diffusers. Kandinsky 2.2 потребує diffusers >= 0.21.0. Перевірте версію в requirements.txt.
- Обмеження за кількістю запитів: API має rate limit (за замовчуванням 10 запитів/сек). Налаштуйте чергу або переходьте на self-hosted.
Якщо ви зіткнулися з цими проблемами — зв'яжіться з нами, ми допоможемо їх вирішити.
Ми беремо на себе повний цикл: від вибору моделі до передачі готового сервісу в експлуатацію. У фіналі ви отримуєте робочий endpoint, документацію та навчену команду. Гарантуємо якість генерації — порівнюємо результати з вашими еталонами до підписання акту.
Зв'яжіться з нами — оцінимо проєкт за 1 день. Досвід понад 5 років в інтеграції нейромереж у production. Отримайте консультацію з інтеграції Kandinsky.