O que é o Stable Diffusion? O modelo aberto que serviu de base para todo o resto

Um modelo de difusão aprende observando imagens serem destruídas. Pegue uma fotografia, adicione um pouco de ruído, adicione mais, continue até restar só estática e treine uma rede para prever o que foi removido a cada passo. Execute essa rede ao contrário a partir de pura estática e ela pinta uma imagem que nunca existiu.

Fazer isso na resolução final é enormemente caro, porque cada etapa atua sobre cada pixel. O truque latente é comprimir a imagem antes em uma representação muito menor que preserva a estrutura e descarta os pixels exatos, executar todo o processo ruidoso nesse espaço pequeno e só decodificar de volta para uma imagem real no final.

Essa única decisão é o motivo de isso ter chegado ao público comum. Cortou o custo de geração em cerca de uma ordem de grandeza e trouxe a geração de imagens para hardware que alguém já podia ter, em vez de um cluster alugado.

A Stability lançou os próprios arquivos do modelo, e não apenas uma API. Esse é o fato de consequências mais longas — fácil de subestimar agora que os resultados estão por toda parte.

Como qualquer pessoa podia inspecionar e modificar o modelo, a comunidade construiu a camada de controle que o modelo base não tinha. LoRAs tornaram possível ensinar um estilo ou sujeito específico com um pequeno arquivo adicional, em vez de retreinar qualquer coisa. O ControlNet tornou possível restringir uma geração a uma pose, um mapa de profundidade ou um desenho de contorno. Checkpoints da comunidade especializaram o modelo base para ilustração, fotografia, arquitetura e tudo o mais.

O vocabulário que saiu desse período é hoje a forma como se fala de geração de imagens em geral — seed, sampler, denoise strength, CFG, inpainting. Essas palavras foram popularizadas por uma comunidade aberta que lia e reescrevia um modelo que podia de fato abrir — e são o motivo de o glossário deste site ser escrito como é.

Melhor do que era e ainda assim não é casual. Há instaladores de um clique e há interfaces nodais de complexidade real, e a distância entre "gerei uma imagem" e "obtive a imagem que eu queria" é onde o tempo vai embora.

A recompensa é um controle que produtos hospedados não oferecem: seeds exatas, resoluções arbitrárias, qualquer checkpoint ou LoRA que preferir, nenhum pipeline de conteúdo entre o(a) senhor(a) e a saída, nenhum custo por imagem depois do hardware e nada saindo da sua máquina.

O custo é que agora o(a) senhor(a) está operando uma pequena infraestrutura. Arquivos de modelo chegam a vários gigabytes cada, extensões entram em conflito entre si e uma placa de vídeo com memória suficiente é o ingresso. Quem quer uma imagem tende a ficar mais feliz com um modelo hospedado; quem quer um processo é quem permanece.

Já não é automaticamente a opção mais forte em qualidade bruta de saída, e vários modelos mais novos — incluindo o FLUX, feito em parte por pessoas que trabalharam no Stable Diffusion — seguem prompts mais literalmente e rendem texto legível muito melhor.

O que ele mantém é o ecossistema. O volume de checkpoints da comunidade, adaptadores de estilo e ferramentas de controle construídos sobre as versões antigas não é algo que um modelo novo adquira rapidamente e, para quem tem um estilo específico a reproduzir ou já tem uma pipeline montada, esse inventário pesa mais que uma diferença geral de qualidade.

Versões sucessivas também foram lançadas sob licenças progressivamente mais condicionais do que as primeiras — algo a conferir em relação ao seu uso pretendido, em vez de presumir. "Pesos abertos" e "gratuito para qualquer coisa" deixaram de ser a mesma frase faz tempo.

Quase toda página de técnica aqui usa termos que este modelo popularizou. Denoise strength decide o quanto um resultado de image-to-image se afasta de sua entrada. Uma seed torna uma geração repetível. Inpainting edita dentro de uma máscara e deixa o restante intocado. Esses conceitos se aplicam, qualquer que seja o modelo que o(a) senhor(a) venha a usar.

Esse é o motivo honesto para entender o Stable Diffusion mesmo que nunca o instale: é o modelo cujo modo de uso vazou para a linguagem. Aprenda uma vez e toda outra ferramenta fica mais fácil de ler.