Megjelent a Stable Diffusion 3.5 jobb teljesítménnyel és a megfelelő számú végtaggal
A Stability, a Stable Diffusion népszerű képgenerátor mögött álló mesterséges intelligencia induló vállalkozása bejelentette a modellek új generációját, amelyeket úgy terveztek, hogy testreszabhatóbbak és sokoldalúbbak legyenek, miközben "változatosabb" és reprezentatívabb tartalmat adnak ki.
Az új Stable Diffusion 3.5 három változatban érhető el: Large, Large Turbo és Medium. A Stable Diffusion 3.5 Large 8 milliárd paraméternél működik, és akár megapixeles felbontású képeket is képes generálni. A Stable Diffusion 3.5 Large Turbo ugyanazokkal a képességekkel rendelkezik, mint a Large, bár bizonyos minőség árán gyorsabban készít képeket.
A Stable Diffusion 3.5 Medium ezzel szemben szélsőséges eszközökön, például laptopokon, táblagépeken és okostelefonokon való futtatásra készült. Különféle méretű képeket képes generálni, negyed MP-től 2 MP-ig. A Large és Large Turbo változat már ma elérhető, míg a Medium a hónap végén, október 29-én érkezik.
Az SD 3.5 lényegesen jobb teljesítményt ígér elődjéhez, a Stable Diffusion 3.0-hoz képest, amely júniusban debütált. Az SD3 kiadását felháborodással és csalódottsággal fogadta felhasználói bázisa, mivel a modell nem tudta pontosan renderelni a végtagokat és az ujjakat, különösen a füvön fekvő alanyoknál, valamint a burjánzó műtermékek és az adott felszólítás követésének nehézségei.
A vállalat elismeri, hogy az SD3 „nem felelt meg teljes mértékben szabványainknak vagy közösségeink elvárásainak”, de kitart amellett, hogy „A Stable Diffusion 3.5 tükrözi elkötelezettségünket, hogy az építőket és alkotókat széles körben hozzáférhető, élvonalbeli és a legtöbb felhasználási esetre ingyenes eszközökkel ruházzuk fel. ."
Az új 3.5-ös modellt arra is kiképezték, hogy változatosabb képeket hozzon létre az emberekről, „a világot reprezentáló képeket, nem csak egy embertípust, különböző bőrtónusokkal és -jellemzőkkel”, anélkül, hogy széleskörű felszólításokra lenne szükség.
„A képzés során minden képhez több verziót is felírnak, és a rövidebb promptokat részesítjük előnyben” - mondta Hanno Basse, a stabilitás műszaki igazgatója a TechCrunchnak. „Ez biztosítja a képi fogalmak szélesebb és változatosabb eloszlását bármely adott szöveges leíráshoz. A legtöbb generatív mesterségesintelligencia-vállalathoz hasonlóan mi is sokféle adaton tanulunk, beleértve a szűrt, nyilvánosan elérhető adatkészleteket és a szintetikus adatokat. ”
Hogy ez hasonló problémákhoz vezet-e, amelyekkel a Google februárban szembesült, amikor a Gemini képgenerátora "történelmileg pontatlan" (értsd: fekete náci katonákat) kezdett kiköpni, majd kiderül. „A Gemini mesterséges intelligencia-képgenerációja igen sok embert generál” - áll a Google februárban, a Twitteren közzétett közleményében. „Ez általában jó dolog, mert az emberek szerte a világon használják. De itt hiányzik a jel. ”
Ha szeretné kipróbálni a Stable Diffusion 3.5-öt, jelenleg a Large és a Large Turbo is letölthető a Hugging Face oldaláról. A következtetési kódot megtalálod a GitHubon.
Forrás: Stability AI, TechCrunch