Stable Diffusion 3.5 Large Turbo - Large Turbo

Consulta la nostra Guida rapida a Stable Diffusion 3.5 per tutte le ultime informazioni!

Stable Diffusion 3.5 Large Turbo è un modello text-to-image Multimodal Diffusion Transformer (MMDiT) con Adversarial Diffusion Distillation (ADD) che presenta prestazioni migliorate nella qualità dell'immagine, tipografia, comprensione di prompt complessi e efficienza delle risorse, con un'attenzione particolare a un numero ridotto di passaggi di inferenza.

Nota bene: Questo modello è rilasciato sotto la Stability Community License. Visita Stability AI per apprendere o contattarci per dettagli sulla licenza commerciale.

Descrizione del Modello

• Sviluppato da: Stability AI

• Tipo di modello: modello generativo text-to-image MMDiT

• Descrizione del modello: Questo modello genera immagini basate su prompt testuali. È un Multimodal Diffusion Transformer ADD-distillato che utilizza tre encoder testuali fissi e pre-addestrati, con normalizzazione QK.

Licenza

• Licenza Comunitaria: Gratuito per uso di ricerca, non commerciale e commerciale per organizzazioni o individui con un fatturato annuo totale inferiore a 1 milione di dollari. Maggiori dettagli sono disponibili nel Community License Agreement. Leggi di più su https://stability.ai/license.

• Per individui e organizzazioni con fatturato superiore a 1 milione di dollari: Si prega di contattarci per ottenere una licenza Enterprise.

Fonti del Modello

Per uso locale o self-hosted, consigliamo ComfyUI per inferenza con interfaccia basata su nodi, o diffusers o GitHub per uso programmatico.

• ComfyUI: Github, Workflow di esempio

• Huggingface Space: Space

• Diffusers: Vedi sotto.

• GitHub: GitHub.

• API Endpoints:

  • Stability AI API

  • Deepinfra

Dettagli di Implementazione

• Normalizzazione QK: Implementa la tecnica di normalizzazione QK per migliorare la stabilità dell'addestramento.

• Adversarial Diffusion Distillation (ADD) (vedi il rapporto tecnico), che consente campionamenti con 4 passaggi mantenendo alta qualità dell'immagine.

• Encoder Testuali：

  • CLIPs: OpenCLIP-ViT/G, CLIP-ViT/L, lunghezza contesto 77 token

  • T5: T5-xxl, lunghezza contesto 77/256 token in differenti fasi di addestramento

• Dati e Strategia di Addestramento:

  Questo modello è stato addestrato su una vasta gamma di dati, inclusi dati sintetici e dati pubblicamente disponibili filtrati.

Per maggiori dettagli tecnici sull'architettura originale MMDiT, si rimanda al paper di ricerca.