Stable Diffusion 3.5 Large Turbo - Large Turbo

Bitte sehen Sie sich unseren Schnellstart-Leitfaden für Stable Diffusion 3.5 für alle neuesten Informationen an!

Stable Diffusion 3.5 Large Turbo ist ein Multimodal Diffusion Transformer (MMDiT) Text-zu-Bild-Modell mit Adversarial Diffusion Distillation (ADD), das verbesserte Leistung bei Bildqualität, Typografie, komplexem Prompt-Verständnis und Ressourceneffizienz bietet, mit Schwerpunkt auf weniger Inferenzschritten.

Bitte beachten Sie: Dieses Modell wird unter der Stability Community License veröffentlicht. Besuchen Sie Stability AI, um mehr zu erfahren oder kontaktieren Sie uns für Details zu kommerziellen Lizenzen.

Modellbeschreibung

• Entwickelt von: Stability AI

• Modelltyp: MMDiT Text-zu-Bild Generativmodell

• Modellbeschreibung: Dieses Modell generiert Bilder basierend auf Textprompts. Es ist ein ADD-verdichteter Multimodal Diffusion Transformer, der drei feste, vortrainierte Text-Encoder verwendet sowie QK-Normalisierung.

Lizenz

• Community Lizenz: Kostenlos für Forschung, nicht-kommerzielle sowie kommerzielle Nutzung für Organisationen oder Einzelpersonen mit weniger als 1 Mio. $ Jahresumsatz. Details finden sich in der Community License Agreement. Weitere Informationen unter https://stability.ai/license.

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

Modellquellen

Für lokale oder selbstgehostete Nutzung empfehlen wir ComfyUI für eine node-basierte UI-Inferenz, oder diffusers bzw. GitHub für programmatische Nutzung.

• ComfyUI: Github, Beispiel-Workflow

• Huggingface Space: Space

• Diffusers: Siehe unten.

• GitHub: GitHub.

• API Endpunkte:

  • Stability AI API

  • Deepinfra

Implementierungsdetails

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

• Adversarial Diffusion Distillation (ADD) (siehe den technischen Bericht), welches Sampling mit 4 Schritten bei hoher Bildqualität ermöglicht.

• Textencoder：

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

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

• Trainingsdaten und Strategie:

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

Für weitere technische Details der ursprünglichen MMDiT-Architektur verweisen wir auf das Research Paper.