Stable Diffusion 3.5

Stable Diffusion 3.5 to najnowsza generacja rodziny modeli generowania obrazów z tekstu Stability AI, ogłoszona 22 października 2024 r. (wariant Medium dodano 29 października 2024 r.). Modele oparte są na ulepszonej architekturze Multimodal Diffusion Transformer (MMDiT), z m.in. normalizacją Query-Key w blokach transformera.

Rodzina obejmuje trzy główne warianty: Large (8,1 mld parametrów, do zastosowań profesjonalnych, rozdzielczość ok. 1 megapiksela), Large Turbo (wersja destylowana generująca wysokiej jakości obrazy w 4 krokach, z bardzo dobrym trzymaniem się promptu) oraz Medium (2,5 mld parametrów, rozdzielczość 0,25–2 megapiksela, zoptymalizowany pod sprzęt konsumencki — wariant Medium używa architektury MMDiT-X).

Modele wyróżniają się dobrym trzymaniem się promptu, różnorodnością generowanych postaci (m.in. odcieni skóry i cech) oraz wszechstronnością stylów — od fotografii i malarstwa po grafikę 3D. Wariant Medium można uruchomić na kartach konsumenckich, wymagając ok. 9,9 GB pamięci VRAM (bez enkoderów tekstu).

Stable Diffusion 3.5 udostępniono na licencji społecznościowej Stability AI (Stability AI Community License), która pozwala na bezpłatne użycie niekomercyjne oraz komercyjne dla organizacji o rocznych przychodach poniżej 1 mln USD; użytkownicy zachowują prawa do wygenerowanych obrazów. Wagi są dostępne na Hugging Face, kod inferencji na GitHubie, a model także przez API Stability AI oraz platformy takie jak Replicate, Fireworks AI, DeepInfra i ComfyUI.