Stable Diffusion 3.5 Large - Large

Proszę zapoznać się z naszym Przewodnikiem szybkiego startu do Stable Diffusion 3.5 dla wszystkich najnowszych informacji!

Stable Diffusion 3.5 Large to Multimodal Diffusion Transformer (MMDiT) — model generatywny tekst-na-obraz, który oferuje poprawioną wydajność w jakości obrazu, typografii, złożonym rozumieniu promptów oraz efektywności zasobów.

Proszę zauważyć: Ten model jest udostępniany na podstawie Stability Community License. Odwiedź Stability AI, aby się dowiedzieć lub skontaktować się z nami w sprawie licencji komercyjnej.

Opis modelu

• Opracowany przez: Stability AI

• Typ modelu: MMDiT generatywny model tekst-na-obraz

• Opis modelu: Ten model generuje obrazy na podstawie tekstowych promptów. Jest to Multimodal Diffusion Transformer, który używa trzech stałych, wytrenowanych enkoderów tekstu oraz normalizacji QK, aby poprawić stabilność treningu.

Licencja

• Licencja społecznościowa: Darmowa do użytku badawczego, niekomercyjnego i komercyjnego dla organizacji lub osób z rocznym dochodem poniżej 1 mln USD. Więcej szczegółów można znaleźć w Umowie licencyjnej społeczności. Przeczytaj więcej na https://stability.ai/license.

• Dla osób i organizacji z rocznym dochodem powyżej 1 mln USD: prosimy o kontakt w celu uzyskania licencji Enterprise.

Szczegóły implementacji

• Normalizacja QK: Wdraża technikę normalizacji QK w celu poprawy stabilności treningu.

• Enkodery tekstu：

  • CLIPs: OpenCLIP-ViT/G, CLIP-ViT/L, długość kontekstu 77 tokenów

  • T5: T5-xxl, długość kontekstu 77/256 tokenów na różnych etapach treningu

• Dane i strategia treningowa:

  Model był trenowany na szerokim zakresie danych, w tym danych syntetycznych i przefiltrowanych danych publicznie dostępnych.

Więcej technicznych szczegółów dotyczących oryginalnej architektury MMDiT można znaleźć w publikacji naukowej.