PIXART-Σ ist ein Diffusions-Transformer-Modell, das direkt Bilder mit einer Auflösung von 4K generiert. Im Vergleich zu seinem Vorgänger PixArt-α bietet es eine höhere Bildtreue und eine bessere Ausrichtung auf Textaufforderungen. Zu den wichtigsten Merkmalen von PIXART-Σ gehört ein effizienter Trainingsprozess, der durch die Kombination hochwertigerer Daten von einem „schwächeren“ Basismodell zu einem „stärkeren“ Modell führt – ein Prozess, der als „Weak-to-Strong-Training“ bezeichnet wird. Die Verbesserungen von PIXART-Σ umfassen die Verwendung hochwertigerer Trainingsdaten und eine effiziente Token-Komprimierung.