Ce este Stable Diffusion? Modelul deschis de la care au pornit celelalte

Un model de diffusion învață uitându-se cum sunt distruse imaginile. Luați o fotografie, adăugați puțin zgomot, mai adăugați, continuați până nu mai rămâne decât statică, și antrenați o rețea să prezică ce a fost scos la fiecare pas. Rulați acea rețea invers din pură statică și pictează o imagine care nu a existat vreodată.

A face asta la rezoluție completă este enorm de costisitor, pentru că fiecare pas operează pe fiecare pixel. Șmecheria latentă este să comprimați mai întâi imaginea într-o reprezentare mult mai mică ce păstrează structura și aruncă pixelii exacți, să rulați întregul proces zgomotos în acel spațiu mic și să decodați înapoi într-o imagine reală abia la final.

Acea singură decizie este motivul pentru care totul a ajuns la oameni obișnuiți. A redus costul generării cu aproximativ un ordin de mărime și a adus generarea de imagini pe hardware pe care cineva l-ar putea deja deține, nu pe un cluster închiriat.

Stability a lansat fișierele modelului, nu doar un API. Acesta este faptul cu cele mai lungi consecințe, ușor de subestimat acum că rezultatele sunt peste tot.

Pentru că oricine putea inspecta și modifica modelul, oamenii au construit stratul de control care lipsea modelului de bază. LoRA a făcut posibil să învățați un stil sau un subiect specific cu un fișier suplimentar mic, fără reantrenare. ControlNet a făcut posibil să constrângeți generarea la o poză, o hartă de profunzime sau o schiță de contururi. Checkpoint-urile comunitare au specializat modelul de bază pentru ilustrație, fotografie, arhitectură și orice altceva.

Vocabularul ieșit din acea perioadă este acum felul în care se vorbește, în general, despre generarea de imagini — seed, sampler, denoise strength, CFG, inpainting. Aceste cuvinte au fost popularizate de o comunitate deschisă care citea și rescria un model pe care îl putea deschide efectiv, iar de aceea glosarul de pe acest site este scris așa cum este.

Mai bine decât era și totuși nu lejer. Există instalatoare dintr-un clic și interfețe pe noduri de o complexitate reală, iar distanța dintre „am generat o imagine” și „am obținut imaginea pe care o voiam” este locul în care se duce timpul.

Răsplata este controlul pe care serviciile găzduite nu îl oferă: seed-uri exacte, rezoluții arbitrare, orice checkpoint sau LoRA doriți, niciun lanț de conținut între dumneavoastră și ieșire, niciun cost pe imagine după hardware și nimic care părăsește mașina dumneavoastră.

Costul este că acum operați o mică piesă de infrastructură. Fișierele de model ajung la câțiva gigabytes fiecare, extensiile se pot strica între ele, iar o placă grafică cu suficientă memorie este biletul de intrare. Cei care vor o imagine tind să fie mai fericiți cu un model găzduit; cei care vor un proces sunt cei care rămân.

Nu mai este automat cea mai puternică opțiune ca „raw output quality”, iar câteva modele mai noi — inclusiv FLUX, construit parțial de oameni care au lucrat la Stable Diffusion — urmează prompt-urile mai literal și redau text lizibil mult mai bine.

Ce păstrează este ecosistemul. Volumul de checkpoint-uri comunitare, adaptoare de stil și unelte de control construite pe versiunile mai vechi nu este ceva ce un model nou capătă rapid, iar pentru oricine are un stil specific de reprodus sau un pipeline deja construit, acel inventar cântărește mai mult decât un gol general de calitate.

Versiunile succesive au fost, de asemenea, livrate sub licențe progresiv mai condiționate decât lansările timpurii, lucru de verificat în raport cu utilizarea intenționată, nu de presupus. „Greutăți deschise” și „liber pentru orice” au încetat să mai fie aceeași afirmație de ceva timp.

Aproape fiecare pagină de tehnică de aici folosește termeni pe care acest model i-a popularizat. Intensitatea denoise decide cât de mult un rezultat imagine-la-imagine se abate de la intrare. Un seed face o generare repetabilă. Inpainting editează în interiorul unei măști și lasă restul neatins. Aceste concepte se aplică indiferent ce model veți folosi în final.

Acesta este motivul onest să înțelegeți Stable Diffusion chiar dacă nu îl instalați niciodată: este modelul a cărui interfață a intrat în limbaj. Învățați-l o dată și orice alt instrument devine mai ușor de „citit”.