Stable Diffusion क्या है? वह ओपन मॉडल जिससे बाक़ी सबने उधार लिया

एक diffusion मॉडल तस्वीरों को नष्ट होते देखते हुए सीखता है। एक फ़ोटो लीजिए, थोड़ा शोर मिलाइए, फिर और, फिर और—जब तक सिर्फ़ स्टैटिक न रह जाए—और एक नेटवर्क को हर क़दम पर हटाई गई चीज़ का अनुमान लगाना सिखाइए। फिर उसी नेटवर्क को उल्टा चलाइए—ख़ाली स्टैटिक से—तो वह एक ऐसी तस्वीर रंग देता है जो पहले थी ही नहीं।

इसे फुल रिज़ोल्यूशन पर करना बेहद महँगा है, क्योंकि हर क़दम हर पिक्सल पर चलता है। latent तरकीब है पहले इमेज को एक छोटे रिप्रज़ेंटेशन में कंप्रेस करना—जो स्ट्रक्चर बचाए रखे और सटीक पिक्सल छोड़ दे—पूरा noisy प्रोसेस उसी छोटे स्पेस में चलाना, और आख़िर में असली इमेज में डिकोड करना।

यही एक फ़ैसला वह वजह है जिससे यह आम लोगों तक पहुँचा। इसने लागत क़रीब एक क्रम (order of magnitude) घटाई और इमेज जनरेशन को किराए के क्लस्टर के बजाय किसी के अपने हार्डवेयर पर ला दिया।

Stability ने सिर्फ़ एप्लीकेशन प्रोग्रामिंग इंटरफ़ेस नहीं, मॉडल फ़ाइलें ही जारी कर दीं। सबसे दूरगामी असर यही बात लाई—और आज जब नतीजे हर जगह दिखते हैं, इसे कम आँकना आसान है।

क्योंकि कोई भी मॉडल को देख-समझ और बदल सकता था, लोगों ने वह कंट्रोल-लेयर बनाई जो बेस मॉडल में नहीं थी। LoRAs ने किसी ख़ास स्टाइल/सब्जेक्ट को छोटे add-on फ़ाइल से सिखाना मुमकिन किया—बिना दोबारा ट्रेन किए। ControlNet ने पोज़, डेप्थ मैप या ऐज ड्रॉइंग जैसे स्ट्रक्चरल इनपुट पर जेनरेशन को बाँधना मुमकिन किया। कम्युनिटी checkpoints ने बेस मॉडल को इलस्ट्रेशन, फ़ोटोग्राफ़ी, आर्किटेक्चर—हर चीज़—के लिए specialise किया।

जो शब्दावली वहाँ से निकली, वही आज इमेज जनरेशन की भाषा है—seed, sampler, denoise strength, CFG, inpainting। ये शब्द एक ओपन कम्युनिटी ने एक खुले मॉडल को पढ़ते-लिखते लोकप्रिय किए—और इसी वजह से इस साइट की glossary उसी भाषा में लिखी है।

पहले से बेहतर—पर अब भी कैज़ुअल नहीं। एक-क्लिक इंस्टॉलर भी हैं और काफ़ी जटिल नोड-आधारित इंटरफ़ेस भी; “मैंने तस्वीर बना ली” और “मेरी मनचाही तस्वीर बनी”—इनके बीच की दूरी में ही समय जाता है।

इनाम है वह कंट्रोल जो hosted प्रोडक्ट्स नहीं देते: exact seeds, मनचाही रिज़ोल्यूशन, कोई भी checkpoint या LoRA, आपके और आउटपुट के बीच कोई कंटेंट पाइपलाइन नहीं, हार्डवेयर के बाद प्रति-इमेज कोई लागत नहीं, और कुछ भी आपकी मशीन से बाहर नहीं जाता।

कीमत यह कि अब आप एक छोटा इन्फ्रास्ट्रक्चर चला रहे हैं। मॉडल फ़ाइलें कई-कई GB तक होती हैं, एक्सटेंशन एक-दूसरे से टकराते हैं, और पर्याप्त मेमोरी वाला ग्राफ़िक्स कार्ड एंट्री टिकट है। जिन्हें सिर्फ़ इमेज चाहिए, वे hosted मॉडल से ज़्यादा खुश रहते हैं; जिन्हें प्रोसेस चाहिए, वे टिके रहते हैं।

कच्चे आउटपुट क्वालिटी पर यह अब अपने-आप सबसे मज़बूत विकल्प नहीं—कई नए मॉडल, जिनमें FLUX भी है (कुछ Stable Diffusion पर काम कर चुके लोगों ने बनाया), prompts को ज़्यादा शब्दशः मानते हैं और पठनीय टेक्स्ट बहुत बेहतर बनाते हैं।

जो बचा है, वह है इकोसिस्टम। कम्युनिटी checkpoints, स्टाइल एडॉप्टर्स और कंट्रोल टूलिंग की मात्रा—जो पुराने वर्ज़नों पर बनी—कुछ नया मॉडल जल्दी नहीं पा लेता। किसी ख़ास स्टाइल की नकल या बने-बनाए पाइपलाइन के लिए यह इन्वेंट्री एक सामान्य क्वालिटी-गैप से भारी पड़ती है।

लगातार वर्ज़न पहले की तुलना में ज़्यादा शर्तों वाले लाइसेंस के साथ आए हैं—जो आपके उपयोग-इरादे के ख़िलाफ़ जाँचने लायक़ है। “ओपन वेट्स” और “कुछ भी करने को मुफ़्त”—काफ़ी समय पहले अलग बातें हो चुकी हैं।

लगभग हर तकनीक पेज यहाँ उन्हीं terms का इस्तेमाल करता है जिन्हें इस मॉडल ने लोकप्रिय किया। denoise strength यह तय करता है कि image-to-image नतीजा इनपुट से कितनी दूर जाएगा। seed जेनरेशन को रिपीटेबल बनाता है। inpainting मास्क के भीतर एडिट करता है और बाक़ी अछूता छोड़ता है। ये कॉन्सेप्ट आप किसी भी मॉडल पर लागू करेंगे।

यही ईमानदार वजह है कि Stable Diffusion समझना फ़ायदेमंद है—भले आप इसे कभी इंस्टॉल न करें: यही वह मॉडल है जिसकी इंटरफ़ेस भाषा सबमें घुस गई। एक बार सीखिए—बाक़ी हर टूल पढ़ना आसान होगा।