Stable Diffusion 3.5 Large Turbo - Large Turbo

Zapoznaj się z naszym Przewodnikiem szybkiego startu Stable Diffusion 3.5 z najnowszymi informacjami!

Stable Diffusion 3.5 Large Turbo to model tekst-na-obraz Multimodal Diffusion Transformer (MMDiT) z Adversarial Diffusion Distillation (ADD), który charakteryzuje się ulepszoną jakością obrazu, typografią, zrozumieniem złożonych promptów oraz efektywnością zasobową, skupiając się na mniejszej liczbie kroków inferencji.

Uwaga: Ten model jest udostępniany na podstawie Stability Community License. Odwiedź Stability AI, aby dowiedzieć się więcej lub skontaktować się z nami w celu uzyskania informacji o licencjach komercyjnych.

Opis modelu

• Opracowany przez: Stability AI

• Typ modelu: model generujący obrazy z tekstu MMDiT

• Opis modelu: Model generuje obrazy na podstawie tekstowych promptów. Jest to ADD-destylowany Multimodal Diffusion Transformer używający trzech stałych, wstępnie wytrenowanych enkoderów tekstu oraz normalizacji QK.

Licencja

• Licencja społecznościowa: Darmowa do celów badawczych, niekomercyjnych oraz komercyjnych dla organizacji lub osób z rocznym przychodem poniżej 1 miliona dolarów. Szczegóły dostępne są w Community License Agreement. Czytaj więcej na https://stability.ai/license.

• Dla osób i organizacji z rocznym przychodem powyżej 1 miliona dolarów: Prosimy o kontakt w celu uzyskania licencji Enterprise.

Źródła modelu

Do lokalnego lub samodzielnego użytku zalecamy ComfyUI jako interfejs nodyfikujący dla inferencji, lub diffusers albo GitHub do wykorzystania programistycznego.

• ComfyUI: Github, Przykładowy workflow

• Huggingface Space: Space

• Diffusers: Zobacz poniżej.

• GitHub: GitHub.

• Końcówki API:

  • Stability AI API

  • Deepinfra

Szczegóły implementacji

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

• Adversarial Diffusion Distillation (ADD) (patrz raport techniczny), która pozwala na próbkowanie z 4 krokami przy wysokiej jakości obrazu.

• 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 treningowe i strategia:

  Model był trenowany na szerokim zakresie danych, w tym danych syntetycznych oraz filtrowanych danych dostępnych publicznie.

Więcej technicznych szczegółów oryginalnej architektury MMDiT znajduje się w artykułe naukowym.