Kandinsky 3.0 是一款新型的基于文本生成图像的扩散模型，由 Sber AI 团队开发。它摒弃了之前版本的两阶段生成方式，直接从编码后的文本标记生成图像，简化了训练过程，并通过使用强大的语言模型显著提升了文本理解能力。该模型架构主要由 Flan-UL2 语言模型（仅使用编码器部分）、以 BigGAN-deep 块为主的 U-Net 以及 Sber-MoVQGAN 自编码器组成。训练数据包含大量经过严格筛选的图文对，涵盖不同分辨率和内容类别。Kandinsky 3.0 在图像生成质量、与文本的相关性以及对俄罗斯文化的适应性方面均优于前代产品。此外，该模型还支持图像修复（inpainting）和外扩（outpainting）功能，能够对图像进行编辑和扩展，并且通过 Deforum 技术实现了动画视频生成。开发团队计划继续改进模型，以进一步提升其性能和应用范围。