Stable Diffusion 3.5 Large Turbo - Large Turbo

最新情報は Stable Diffusion 3.5クイックスタートガイド をご覧ください！

Stable Diffusion 3.5 Large Turboは、Adversarial Diffusion Distillation (ADD)を搭載したMultimodal Diffusion Transformer（MMDiT）のテキストから画像へのモデルで、画質、タイポグラフィ、複雑なプロンプトの理解、リソース効率の向上を特徴としており、推論ステップ数を減らすことに重点を置いています。

ご注意：このモデルはStability Community Licenseの下でリリースされています。商用ライセンスの詳細についてはStability AIのウェブサイトを訪問いただくか、お問い合わせください。

モデルの説明

• 開発元：Stability AI

• モデルタイプ： MMDiTテキストから画像への生成モデル

• モデルの説明： このモデルはテキストプロンプトに基づいて画像を生成します。ADDで蒸留されたMultimodal Diffusion Transformerで、3つの固定された事前学習済みテキストエンコーダーを使用し、QK正規化を搭載しています。

ライセンス

• コミュニティライセンス：研究、非商用利用、および年間総収益が100万ドル未満の組織や個人による商用利用は無料です。詳細はコミュニティライセンス契約をご覧ください。詳しくはhttps://stability.ai/licenseを参照してください。

• 年間収益が100万ドルを超える個人または組織の場合： お問い合わせいただき、エンタープライズライセンスを取得してください。

モデルの入手先

ローカルまたはセルフホスト環境での利用には、ノードベースUI推論用のComfyUIや、プログラムでの利用にはdiffusersまたはGitHubを推奨します。

• ComfyUI： GitHub、使用例ワークフロー

• Huggingface Space： Space

• Diffusers： 下記参照

• GitHub： GitHub

• APIエンドポイント：

  • Stability AI API

  • Deepinfra

実装の詳細

• QK正規化： トレーニングの安定性を向上させるためにQK正規化技術を実装しています。

• Adversarial Diffusion Distillation (ADD)（技術レポート参照）を利用し、4ステップで高画質のサンプリングが可能です。

• テキストエンコーダー：

  • CLIPs: OpenCLIP-ViT/G, CLIP-ViT/L, コンテキスト長77トークン

  • T5: T5-xxl, トレーニングの異なる段階でコンテキスト長77/256トークン

• トレーニングデータと戦略：

  このモデルは合成データやフィルタリングされた公開データを含む多様なデータで訓練されました。

元のMMDiTアーキテクチャの詳細については、研究論文をご参照ください。