Какво е Stable Diffusion? Отвореният модел, от който всички останали заимстваха

Diffusion модел се „учи“, като гледа как изображения се разрушават. Вземете фотография, добавете малко шум, после още, продължете докато не остане само статичен шум, и тренирайте мрежа да предсказва какво е премахнато на всяка стъпка. Пуснете мрежата обратно от чист шум и тя „рисува“ картина, която никога не е съществувала.

Да се прави това в пълна резолюция е изключително скъпо, защото всяка стъпка работи върху всеки пиксел. Латентният трик е първо да се компресира изображението в много по-малко представяне, което пази структурата, но изхвърля точните пиксели, да се изпълни целият шумов процес в този малък простор и чак накрая да се декодира обратно към истинско изображение.

Това едно решение е причината всичко това да стигне до обикновените хора. То намали цената на генерация приблизително с един порядък и донесе генерирането на изображения върху хардуер, който човек вече може да има, вместо на нает клъстър.

Stability пусна самите файлове на модела, а не само API. Това е фактът с най-дълги последици и днес е лесно да се подцени, когато резултатите са навсякъде.

Понеже всеки можеше да инспектира и модифицира модела, хората построиха слоя контрол, който базовият модел нямаше. LoRA направи възможно да се научи специфичен стил или обект с малък допълнителен файл вместо пълно претрениране. ControlNet позволи да се ограничат генерациите към поза, depth map или контурен рисунък. Общностни checkpoints специализираха базовия модел за илюстрация, фотография, архитектура и какво ли още не.

Речникът, който излезе от този период, днес е начинът, по който се говори за генериране на изображения изобщо — seed, sampler, denoise strength, CFG, inpainting. Тези думи бяха популяризирани от отворена общност, която четеше и преписваше модел, който може реално да се отвори — и затова глосарът на този сайт е написан така.

По-добре е отпреди, но още не е „ежедневно“. Има one-click инсталатори и има node-базирани интерфейси с реална сложност, а разстоянието между „генерирах картина“ и „получих точно тази, която исках“ е мястото, където отива времето.

Наградата е контрол, който хостваните продукти не предлагат: точни seed-ове, произволни резолюции, какъвто checkpoint или LoRA пожелаете, без содържателен пайплайн между Вас и изхода, без цена на изображение след хардуера и нищо, което напуска машината Ви.

Цената е, че вече оперирате малко парче инфраструктура. Файловете на моделите са по няколко гигабайта всеки, разширенията си пречат помежду си, а видеопаметта на картата е входният билет. Хора, които искат изображение, обикновено са по-щастливи с хостван модел; хора, които искат процес, са тези, които остават.

Вече не е автоматично най-силният избор по сурово качество на изхода, а няколко по-нови модела — включително FLUX, създаден частично от хора, работили по Stable Diffusion — следват prompt-и по-буквално и рендерират четим текст значително по-добре.

Това, което запазва, е екосистемата. Обемът от общностни checkpoints, адаптери за стил и контролни инструменти, построени върху по-старите версии, не е нещо, което по-нов модел придобива бързо, и за всеки със специфичен стил за възпроизвеждане или вече построен пайплайн този инвентар надделява над общ дефицит в качеството.

Последващите версии също излизаха с все по-условни лицензи от ранните издания — струва си да ги проверите спрямо предвидената употреба, вместо да предполагате. „Отворени тегла“ и „свободни за всичко“ отдавна престанаха да означават едно и също.

Почти всяка страница за техника тук използва термини, които този модел популяризира. Denoise strength решава докъде image-to-image резултатът се отдалечава от входа. Seed прави генерацията възпроизводима. Inpainting редактира вътре в маска и оставя останалото непокътнато. Тези концепции важат, независимо кой модел в крайна сметка използвате.

Това е честната причина да разберете Stable Diffusion, дори никога да не го инсталирате: това е моделът, чийто интерфейс „изтече“ в езика. Научете го веднъж и всеки друг инструмент става по-лесен за четене.