Dostępna wersja Stable Diffusion 3.5 z lepszą wydajnością i odpowiednią liczbą kończyn
Stability, startup AI stojący za popularnym generatorem obrazów Stable Diffusion, ogłosił nową generację modeli, które zaprojektowano tak, aby były bardziej konfigurowalne i wszechstronne, a jednocześnie zapewniały bardziej „różnorodną” i reprezentatywną treść.
Nowa wersja Stable Diffusion 3.5 jest dostępna w trzech wersjach: Large, Large Turbo i Medium. Stable Diffusion 3.5 Large taktuje 8 miliardów parametrów i jest w stanie generować obrazy o rozdzielczości do megapiksela. Stable Diffusion 3.5 Large Turbo ma te same możliwości co Large, chociaż generuje obrazy szybciej, kosztem pewnej jakości.
Z kolei Stable Diffusion 3.5 Medium jest przeznaczone do działania na urządzeniach brzegowych, takich jak laptopy, tablety i smartfony. Może generować obrazy w różnych rozmiarach od ćwierć MP do 2 MP. Wersje Large i Large Turbo są dostępne już dziś, natomiast Medium pojawi się pod koniec miesiąca, 29 października.
SD 3.5 obiecuje znacznie lepszą wydajność w stosunku do swojego poprzednika, Stable Diffusion 3.0, który zadebiutował w czerwcu. Wydanie SD3 spotkało się z oburzeniem i rozczarowaniem ze strony użytkowników ze względu na niezdolność modelu do dokładnego renderowania kończyn i palców, zwłaszcza w przypadku osób przedstawionych leżących na trawie, a także szerzące się artefakty i trudności w podążaniu za podanym poleceniem.
Firma przyznaje, że SD3 „nie w pełni spełnił nasze standardy lub oczekiwania naszych społeczności”, ale upiera się, że „Stable Diffusion 3.5 odzwierciedla nasze zaangażowanie w zapewnianie konstruktorom i twórcom narzędzi, które są powszechnie dostępne, najnowocześniejsze i bezpłatne w większości przypadków użycia .”
Nowy model 3.5 został także przeszkolony w zakresie generowania bardziej zróżnicowanych obrazów ludzi, tworząc „obrazy reprezentatywne dla świata, a nie tylko jednego typu osób, o różnych odcieniach skóry i cechach” i bez potrzeby stosowania rozbudowanych podpowiedzi.
„Podczas szkolenia każdy obraz jest opisywany wieloma wersjami podpowiedzi, przy czym priorytet mają krótsze podpowiedzi” - powiedział TechCrunch Hanno Basse, dyrektor ds. technicznych ds. stabilności. „Zapewnia to szersze i bardziej zróżnicowane rozmieszczenie koncepcji obrazowych dla dowolnego opisu tekstowego. Podobnie jak większość firm zajmujących się generatywną sztuczną inteligencją, szkolimy na szerokiej gamie danych, w tym na filtrowanych, publicznie dostępnych zbiorach danych i danych syntetycznych. ”
Czas pokaże, czy doprowadzi to do tych samych problemów, z którymi borykał się Google w lutym, kiedy generator obrazów Gemini zaczął wyrzucać „historycznie niedokładne” (czytaj: czarni nazistowscy żołnierze). „Generowanie obrazów AI przez Gemini rzeczywiście generuje szeroką gamę ludzi” - czytamy w oświadczeniu Google opublikowanym w lutym na Twitterze. „Generalnie to dobrze, ponieważ ludzie na całym świecie z tego korzystają. Ale tutaj brakuje tego znaku. ”
Jeśli chcesz sam wypróbować Stable Diffusion 3.5, zarówno Large, jak i Large Turbo są obecnie dostępne do pobrania z Hugging Face. Kod wnioskowania można znaleźć w serwisie GitHub.
Źródło: Stabilność AI, TechCrunch