Stable Diffusion 3.5 Large Turbo - Large Turbo

Por favor, consulte nosso Guia Rápido para Stable Diffusion 3.5 para todas as informações mais recentes!

Stable Diffusion 3.5 Large Turbo é um modelo Multimodal Diffusion Transformer (MMDiT) texto para imagem com Adversarial Diffusion Distillation (ADD) que apresenta desempenho aprimorado em qualidade de imagem, tipografia, compreensão de prompts complexos e eficiência de recursos, com foco em menos etapas de inferência.

Por favor, note: Este modelo é lançado sob a Licença Comunitária Stability. Visite Stability AI para aprender ou contate-nos para detalhes sobre licenciamento comercial.

Descrição do Modelo

• Desenvolvido por: Stability AI

• Tipo de modelo: modelo generativo MMDiT texto para imagem

• Descrição do Modelo: Este modelo gera imagens com base em prompts de texto. É um ADD-distilled Multimodal Diffusion Transformer que usa três codificadores de texto fixos e pré-treinados, com normalização QK.

Licença

• Licença Comunitária: Gratuita para pesquisa, uso não comercial e comercial para organizações ou indivíduos com receita anual total inferior a $1M. Mais detalhes podem ser encontrados no Acordo de Licença Comunitária. Leia mais em https://stability.ai/license.

• Para indivíduos e organizações com receita anual acima de $1M: Por favor, contate-nos para obter uma Licença Empresarial.

Fontes do Modelo

Para uso local ou auto-hospedado, recomendamos ComfyUI para inferência com interface baseada em nós, ou diffusers ou GitHub para uso programático.

• ComfyUI: Github, Fluxo de Trabalho Exemplo

• Huggingface Space: Space

• Diffusers: Veja abaixo.

• GitHub: GitHub.

• Pontos de Extremidade da API:

  • API Stability AI

  • Deepinfra

Detalhes da Implementação

• QK Normalization: Implementa a técnica de normalização QK para melhorar a estabilidade do treinamento.

• Adversarial Diffusion Distillation (ADD) (veja o relatório técnico), que permite amostragem em 4 passos com alta qualidade de imagem.

• Codificadores de Texto：

  • CLIPs: OpenCLIP-ViT/G, CLIP-ViT/L, comprimento do contexto 77 tokens

  • T5: T5-xxl, comprimento do contexto 77/256 tokens em diferentes estágios de treinamento

• Dados de Treinamento e Estratégia:

  Este modelo foi treinado com uma ampla variedade de dados, incluindo dados sintéticos e dados públicos filtrados.

Para mais detalhes técnicos da arquitetura original MMDiT, consulte o artigo de pesquisa.