Stable Diffusion 3.5 Large - Large

Bitte sehen Sie unser Schnellstart-Handbuch für Stable Diffusion 3.5 für alle aktuellen Informationen!

Stable Diffusion 3.5 Large ist ein Multimodal Diffusion Transformer (MMDiT) Text-zu-Bild-Modell, das verbesserte Leistung bei Bildqualität, Typografie, komplexem Prompt-Verständnis und Ressourceneffizienz bietet.

Bitte beachten Sie: Dieses Modell wird unter der Stability Community License veröffentlicht. Besuchen Sie Stability AI für weitere Informationen oder kontaktieren Sie uns, um Details zur kommerziellen Lizenzierung zu erhalten.

Modellbeschreibung

• Entwickelt von: Stability AI

• Modelltyp: MMDiT Text-zu-Bild-Generierungsmodell

• Modellbeschreibung: Dieses Modell erzeugt Bilder basierend auf Text-Prompts. Es ist ein Multimodal Diffusion Transformer, das drei feste, vortrainierte Text-Encoder verwendet und mit QK-Normalisierung die Trainingsstabilität verbessert.

Lizenz

• Community Lizenz: Kostenlos für Forschungs-, Nicht-Kommerzielle und kommerzielle Nutzung für Organisationen oder Einzelpersonen mit einem Gesamtjahresumsatz von weniger als 1 Mio. USD. Weitere Details finden Sie in der Community Lizenzvereinbarung. Mehr Infos unter https://stability.ai/license.

• Für Personen und Organisationen mit einem Jahresumsatz über 1 Mio. USD: Bitte kontaktieren Sie uns, um eine Enterprise-Lizenz zu erhalten.

Implementierungsdetails

• QK Normalisierung: Implementiert die QK-Normalisierungsmethode zur Verbesserung der Trainingsstabilität.

• Text-Encoder：

  • CLIPs: OpenCLIP-ViT/G, CLIP-ViT/L, Kontextlänge 77 Tokens

  • T5: T5-xxl, Kontextlänge 77/256 Tokens in verschiedenen Trainingsphasen

• Trainingsdaten und Strategie:

  Dieses Modell wurde mit einer großen Vielfalt an Daten trainiert, einschließlich synthetischer Daten und gefilterter öffentlich zugänglicher Daten.

Für weitere technische Details zur ursprünglichen MMDiT-Architektur verweisen wir auf das Forschungspaper.