Что такое Stable Diffusion? Открытая модель, от которой отталкивались все остальные

Диффузионная модель учится, наблюдая, как разрушают изображения. Берём фото, добавляем немного шума, ещё, и так, пока не останется один статический шум, и обучаем сеть предсказывать, что убрали на каждом шаге. Запущенная в обратную сторону из чистого шума, сеть «рисует» картину, которой не было.

Делать это в полном разрешении очень дорого: каждый шаг трогает каждый пиксель. Латентный трюк — сначала сжать изображение в гораздо меньший вектор, сохраняющий структуру и отбрасывающий точные пиксели, прогнать весь шумовой процесс в этом малом пространстве и лишь в конце декодировать обратно в реальное изображение.

Это решение и вывело всё к обычным пользователям. Оно примерно на порядок снизило стоимость генерации и принесло генерацию изображений на железо, которое у человека уже может быть, а не в арендованный кластер.

Stability выложила сами файлы модели, а не только API. Это факт с самыми долгими последствиями, и его легко недооценить сейчас, когда результаты повсюду.

Потому что каждый мог изучать и модифицировать модель, люди достроили слой контроля, которого не хватало базе. LoRA позволила обучать конкретный стиль или объект маленьким дополнительным файлом без переобучения. ControlNet дал возможность жёстко задавать позу, карту глубины или контур. Сообщество собирало checkpoints, специализируя базу под иллюстрацию, фотографию, архитектуру и многое другое.

Словарь того периода теперь стал языком всей области — seed, sampler, denoise strength, CFG, inpainting. Эти слова популяризировало открытое сообщество, читавшее и переписывавшее модель, которую можно открыть, — и поэтому глоссарий на этом сайте устроен именно так.

Лучше, чем было, но это всё ещё не «по щелчку». Есть один-клик инсталляторы и есть узловые интерфейсы реальной сложности, а расстояние между «я сгенерировал картинку» и «я получил именно то, что хотел» — это и есть Ваше время.

Награда — контроль, которого нет у хостингов: точные seed, произвольные разрешения, любой checkpoint или LoRA, отсутствие контентного конвейера между Вами и выходом, нулевая цена за кадр после покупки железа и ничего не покидает Вашу машину.

Цена — Вы эксплуатируете маленький кусок инфраструктуры. Файлы модели занимают гигабайты, расширения конфликтуют, а видеокарта с достаточной памятью — входной билет. Тем, кому «нужна картинка», обычно комфортнее на хостинге; остаются те, кому «нужен процесс».

Это уже не автоматически самый сильный вариант по сырому качеству, и несколько новых моделей — включая FLUX, частично созданную людьми, работавшими над Stable Diffusion, — буквально точнее читают prompts и гораздо лучше рисуют читабельный текст.

Сохраняется экосистема. Масштаб community-checkpoints, адаптеров стилей и средств контроля вокруг старых версий — не то, что новая модель наращивает быстро, и для тех, кому нужно воспроизвести конкретный стиль или чей пайплайн уже собран, этот инвентарь перевешивает общий разрыв по качеству.

Последующие версии также выходили под всё более условными лицензиями по сравнению с ранними релизами — это стоит сверять с Вашим использованием, а не предполагать. «Открытые веса» и «можно всё бесплатно» — это уже давно не одно и то же.

Почти каждая страница с техниками здесь использует термины, которые популяризировала эта модель. Denoise strength определяет, насколько результат image-to-image отходит от исходника. Seed делает генерацию воспроизводимой. Inpainting редактирует внутри маски и оставляет остальное нетронутым. Эти понятия работают в какой бы модели Вы ни оказались.

Вот честная причина понять Stable Diffusion, даже если Вы никогда её не установите: это модель, чей интерфейс просочился в язык. Разберитесь один раз — и любой другой инструмент читать легче.