Stable Diffusion 3.5 Large Turbo - Large Turbo

Por favor vea nuestra Guía Rápida para Stable Diffusion 3.5 para toda la información más reciente!

Stable Diffusion 3.5 Large Turbo es un modelo de texto a imagen Multimodal Diffusion Transformer (MMDiT) con Adversarial Diffusion Distillation (ADD) que presenta un rendimiento mejorado en calidad de imagen, tipografía, entendimiento de prompts complejos y eficiencia en recursos, con un enfoque en menos pasos de inferencia.

Por favor note: Este modelo se publica bajo la Licencia Comunitaria de Stability. Visite Stability AI para más información o contáctenos para detalles de licenciamiento comercial.

Descripción del Modelo

• Desarrollado por: Stability AI

• Tipo de modelo: modelo generativo MMDiT de texto a imagen

• Descripción del Modelo: Este modelo genera imágenes basadas en prompts de texto. Es un ADD-distilled Multimodal Diffusion Transformer que usa tres codificadores de texto fijos y preentrenados, con normalización QK.

Licencia

• Licencia Comunitaria: Gratuita para investigación, uso no comercial y uso comercial para organizaciones o individuos con menos de $1M en ingresos anuales totales. Más detalles en el Acuerdo de Licencia Comunitaria. Lea más en https://stability.ai/license.

• Para individuos y organizaciones con ingresos anuales superiores a $1M: Por favor contáctenos para obtener una Licencia Empresarial.

Fuentes del Modelo

Para uso local o autoalojado, recomendamos ComfyUI para inferencia con UI basada en nodos, o diffusers o GitHub para uso programático.

• ComfyUI: Github, Ejemplo de Flujo de Trabajo

• Huggingface Space: Space

• Diffusers: Ver abajo.

• GitHub: GitHub.

• Puntos de acceso API:

  • API de Stability AI

  • Deepinfra

Detalles de Implementación

• Normalización QK: Implementa la técnica de normalización QK para mejorar la estabilidad del entrenamiento.

• Adversarial Diffusion Distillation (ADD) (véase el informe técnico), que permite muestrear con 4 pasos manteniendo alta calidad de imagen.

• Codificadores de Texto:

  • CLIPs: OpenCLIP-ViT/G, CLIP-ViT/L, longitud de contexto 77 tokens

  • T5: T5-xxl, longitud de contexto 77/256 tokens en diferentes etapas de entrenamiento

• Datos y Estrategia de Entrenamiento:

  Este modelo fue entrenado con una amplia variedad de datos, incluyendo datos sintéticos y datos públicos filtrados.

Para más detalles técnicos sobre la arquitectura original MMDiT, por favor consulte el artículo de investigación.