PIXART-Σ es un modelo de transformador de difusión que genera directamente imágenes con resolución 4K. En comparación con su predecesor, PixArt-α, ofrece una mayor fidelidad de imagen y una mejor alineación con las indicaciones de texto. Las características clave de PIXART-Σ incluyen un proceso de entrenamiento eficiente, que evoluciona de un modelo base "más débil" a uno "más fuerte" mediante la incorporación de datos de mayor calidad; este proceso se conoce como "entrenamiento de débil a fuerte". Las mejoras de PIXART-Σ incluyen el uso de datos de entrenamiento de mayor calidad y una eficiente compresión de etiquetas.