Vad är Stable Diffusion? Den öppna modellen som allt annat lånade från

En diffusion-modell lär sig genom att se bilder förstöras. Ta ett fotografi, lägg på lite brus, lägg på mer, fortsätt tills bara brus återstår, och träna ett nät att förutsäga vad som togs bort i varje steg. Kör nätet baklänges från rent brus och det målar en bild som aldrig funnits.

Att göra detta i full upplösning är enormt dyrt, eftersom varje steg verkar på varje pixel. Tricket med latent är att först komprimera bilden till en mycket mindre representation som behåller strukturen och kastar bort exakta pixlar, köra hela brusprocessen i det lilla utrymmet och först i slutet dekoda tillbaka till en riktig bild.

Det enskilda beslutet är skälet till att detta nådde vanliga användare. Det kapade kostnaden för generering med ungefär en tiopotens och tog bildgenerering till hårdvara någon redan kan äga, i stället för till ett hyrt kluster.

Stability släppte modelfilerna själva i stället för bara ett API. Det är faktumet med längst konsekvenser, och det är lätt att underskatta nu när resultaten finns överallt.

Eftersom vem som helst kunde inspektera och modifiera modellen byggde communityn det kontrollager som basmodellen saknade. LoRA gjorde det möjligt att lära in en specifik stil eller ett motiv med en liten tilläggsfil i stället för att träna om något. ControlNet gjorde det möjligt att begränsa en generering till en pose, en djupkarta eller en kantteckning. Community-checkpoints specialiserade basmodellen för illustration, fotografi, arkitektur och allt annat.

Vokabulären som kom ur den perioden är nu hur folk talar om bildgenerering generellt — seed, sampler, denoise-styrka, CFG, inpainting. De orden populariserades av en öppen community som läste och skrev om en modell de faktiskt kunde öppna, och de är skälet till att ordlistan på den här sajten är skriven som den är.

Bättre än förr och fortfarande inte slentrian. Det finns one-click-installers och node-baserade gränssnitt av verklig komplexitet, och avståndet mellan ”jag genererade en bild” och ”jag fick bilden jag ville ha” är där tiden går.

Belöningen är kontroll som hostade produkter inte erbjuder: exakta seeds, godtyckliga upplösningar, vilket checkpoint eller vilken LoRA du vill, ingen innehållskedja mellan dig och utdata, ingen per-bild-kostnad efter hårdvaran, och inget som lämnar din maskin.

Kostnaden är att du nu driver ett litet stycke infrastruktur. Modelfiler är på flera gigabyte styck, tillägg krockar med varandra, och ett grafikkort med tillräckligt minne är inträdesbiljetten. De som vill ha en bild är oftast nöjdare med en hostad modell; de som vill ha en process är de som stannar.

Det är inte längre automatiskt starkast på rå output-kvalitet, och flera nyare modeller — inklusive FLUX, delvis byggd av personer som arbetat med Stable Diffusion — följer prompts mer bokstavligt och renderar läsbar text betydligt bättre.

Det som består är ekosystemet. Mängden community-checkpoints, stiladaptrar och kontrollverktyg byggda på äldre versioner är inget en ny modell snabbt skaffar sig, och för dig med en specifik stil att återskapa eller en pipeline redan byggd väger det lagret tyngre än en generell kvalitetslucka.

Efterföljande versioner har också skeppats under alltmer villkorade licenser jämfört med de tidiga släppen, vilket är värt att kontrollera mot din tänkta användning i stället för att anta. ”Öppna vikter” och ”fritt för allt” slutade vara samma sak för länge sedan.

Nästan varje tekniksida här använder termer som den här modellen populariserade. Denoise-styrka avgör hur långt ett image-to-image-resultat avviker från sin input. En seed gör en generering upprepbar. Inpainting redigerar inom en mask och lämnar resten orört. De koncepten gäller oavsett vilken modell du till slut använder.

Det är det ärliga skälet att förstå Stable Diffusion även om du aldrig installerar den: det är modellen vars gränssnitt läckte in i språket. Lär dig den en gång och varje annat verktyg blir lättare att läsa.