Stable Diffusion 3 开源,生图圈子第一个出现开源碾压闭源的奇景!强大的 MMDiT 全新架构,将彻底改变 AI 生图的格局。
现在,全体AI社区都在翘首以盼。
AI文生图开源王者登台!Stable Diffusion 3官宣开源,端侧可跑20亿参数版本,人类偏好力压Midjourney
摘要
Stable Diffusion 3 开源,生图圈子第一个出现开源碾压闭源的奇景!强大的 MMDiT 全新架构,将彻底改变 AI 生图的格局。
现在,全体AI社区都在翘首以盼。
万众瞩目的Stable Diffusion 3 终于要正式开源了!
在上周的在Computex 2024大会上,Stability AI联合首席执行官Christian Laforte在 AMD 的发布活动上作为受邀嘉宾登台宣布:SD 3 Medium将在6月12日公开发布。据悉,之后还会开源4B和8B的版本。
消息一出,网友们就激动地奔走相告。
种种迹象表明,SD3明天的开源应该是铁板钉钉了。
目前,ComfyUI已经提交了对SD3支持的版本。
网友表示,如果此事是真的,那可就太疯狂了,生图圈子将成第一个开源碾压闭源的赛道!
这边AI生图王者Midjourney刚刚放出功能更新,网友们就在评论区纷纷留言:SD3一旦开源,你们就完蛋了。
网友们纷纷搬好板凳,坐等SD3的权重发布了。
两个月前,Stable Diffusion 3一横空出世,立刻在人类偏好评估中斩下DALL-E 3和Midjourney V6,一举成为该领域的SOTA(目前最好的技术)。
因为攻克了AI图像生成领域著名的「文本生成正确性」测试,SD3一时名声大噪,引发了极大热度。
虽然放出的模型效果惊艳全网,但选择开源也让公司的收入入不敷出。随后就是满身黑历史的CEO跑路、人才出走等负面事件,让Stability AI这头独角兽的前途风雨飘摇,一度陷入欠下1亿美元的「卖身」传闻。
在鼎盛时期的Stability AI收到过不少橄榄枝,却断然拒绝收购。然而亏损超3000万美元、拖欠1亿美元账单的事实,揭示了所有开源公司共同的困境——
如果选择将代码、权重和产品API免费开放,即便保留部分高级功能,也很难吸引到付费用户。
如果在这种情况下,SD3依然坚持开源,叫Stability AI一声「开源英雄」绝不为过。
强大的架构、更好的明暗对比度、提示遵循、训练结果、模型合并、图像分辨率……SD3的开源给我们带来的贡献可太多了!
现在,所有人都在翘首以盼。
Stable Diffusion3的开源,为何意义如此重大?
在Reddit的Stable Diffusion社区,一位网友给出了以下总结,让我们从非技术视角,理解SD3的重要性,以及对AI社区的重大影响。
作者表示,自己希望能让外行人都明白,为何Stable Diffusion 3如此重要。
曾经Stable Diffusion的开源,就改变了游戏规则
VAE(变分自编码器)非常特别,因为它让提供了16个通道的特征和颜色数据供我们使用,而之前的模型只有4个通道。
下面的四张图显示出,这将产生多大的影响。
Emu论文地址:https://arxiv.org/pdf/2309.15807
这也就意味着,模型在训练时会捕获更多细节。
不仅模型的质量会更好,而且实际上会带来更快的训练速度,从而使主要的MMDiT模型(也就是实现生成的主要模型)能够更好地捕捉细节。
感兴趣的读者可以阅读下面这篇技术性解读:
文章地址:https://huggingface.co/blog/TimothyAlexisVass/explaining-the-sdxl-latent-space#the-8-bit-pixel-space-has-3-channels
与旧的模型相比,新的16通道VAE在512x512分辨率下的表现,可以说令人难以置信——即使在较小的图像尺寸下,通道维度上的特征数量也足以捕捉到很好的细节。
为了更好地说明这一点,我们可以用视频领域的标准来做个类比——
VHS和DVD都是标准定义的480i/480p,但DVD显然捕捉到了更多细节,甚至在硬件和软件的升频器上表现也很好。
或者,可以用复古游戏玩家的说法来类比——
- 复合视频线(Composite cables) -> SD1.X的VAE
- S-Video线 -> SDXL的VAE
- 组件视频线(Component cables) -> SD3的VAE
因此,将VAE应用到如今我们的AI工作流程中,一切都将变得更加高效。
在视频生成方面,则可以在低分辨率下训练以适应虚拟内存(VRAM),然后通过分辨率增强流程来保留细节。
众所周知,训练文本编码器可以提升基于Stable Diffusion 1.X版本的模型和SDXL模型的性能。
然而在这位网友看来,从长远来看,这其实是低效的,因为在实际应用中存在大量的微调和模型合并。
这会在推理过程中导致大量的重新加权,从而引起混乱,使得在创作过程中捕捉细节变得更加困难。
虽然在小规模应用中可以这样做,但随着社区的扩大,训练文本编码器就变得极其繁琐了。
从技术角度来看,CLIP模型本身就很难训练和微调,因此如果尝试同时处理三个模型,可能会面临一场艰难的苦斗。
而现在,我们或许根本不需要微调文本编码器了!
第一个原因是,VAE相比旧模型,捕捉了更多的细节。
第二个原因则是,无论我们使用哪种变体,SD3都经过了适当且鲁棒的caption训练,以捕捉大多数人认为重要的所有细节。
在SD3中,可以让新的架构和VAE为我们捕捉这些细节,这样我们就可以更好地利用多个LoRA模型,实现更鲁棒的生成。
目前,生成式AI社区和LLM社区之间还缺乏一定的协作。
在这位网友看来,随着MMDiT架构更好地与LLM社区对齐,会有更多的开发者进入生成式AI社区,带来大量丰富的研究和方法。
这将造成的影响,或许是十分重大的。
此前,LLM社区就创建了很多应用于生成式AI的伟大方法(比如LoRA就是从文本建模中派生出来的),然而,由于架构之间缺乏互操作性操作性(当前SD使用的是UNet,SD3使用的是Transformer块),会让许多人望而却步。
如果两个领域的开发者和研究者开始合作,扩展许多跨领域的多模态功能,比如文本、图像、音频、视频等,比如会创造出许多独属于开源社区的非常棒的体验。
自从Stable Diffusion诞生以来,我们可以在眨眼间生成图像、视频、音频,甚至3D模型。
如今在谷歌Scholar上,关于Stable Diffusion的论文已经有7500多篇了。
微调方法、ControlNet、适配器、分段方法等理论,在SD上应该会比从前的架构表现得更好。而且因为架构简单,模型会变得更易访问和使用。事实上,由于SD3的强大图像-文本对齐和VAE,有些方法可能我们再也不需要了。
比如在音频扩散、视频扩散和3D扩散模型领域,就可以在新架构上用这些方法训练,进一步提高模型的质量和鲁棒性。
显然,ControlNets和适配器会变得更好,因为SD3实际上是使用多模态架构构建的。
这也就意味着,SD3在不同模态之间,会有更好的关系理解。
如今我们在构建新方法时,就可以在同一空间内利用这些模态,再结合上更好的文本理解和强大的VAE,SD3的前途简直不可限量!
赶在2月份的时候,Stable Diffusion迭代到了第3个版本。然而仅一个月的时间,背后核心团队却被曝出集体离职。更让人意想不到的是,身为CEO的Emad Mostaqu也紧跟辞职,退出了董事会。
显然,SD3随后的开源,也变得迷雾重重。当时,外界的猜测是,Stability AI的动荡是Emad Mostaqu一手酿成的。
彭博社对20位现任前任员工、投资者等采访了解到,Emad Mostaqu在治理公司方面缺乏经验,组织结构混乱。更有甚者,公司还习惯性地拖欠工资和税款。
据了解,跑路CEO Emad Mostaqu近日又成立了一家初创公司Schelling AI,专注去中心化AI系统
其实,早在2023年底,公司内部不稳定的现象已经出现了苗头。作为联创之一的Cyrus Hodes便起诉Emad Mostaqu是个「骗子」。他指控,在公司进行重大融资几个月前,Emad Mostaqu曾诱骗自己以100美元价格出售15%股份。
其实,Stability AI创立之后,便以模型「开源」深受社区关注和好评。
它先后发布了多款模型「全家桶」,包括语言模型Stable LM、视频模型Stable Video Diffusiion、音频模型Stable Audio。
而比起具有里程碑意义的Stable Diffusion,一代和二代模型系列在开源社区有300-400万下载量。
在开源背后,需要的是Stability AI不断开启「烧钱」模式。但显然,这种入不敷出的方式,根本无法支撑这家公司持续性发展。
前段时间,The Information爆料称,Stability AI第一季度的营收不足500万美元。而且,公司亏损超过了3000万美元,还对外拖欠了近1亿美元的巨额账单。
更有传闻称,Stability AI正寻求卖身。
而在SD3发布之后,官方宣布称在对齐之后正式开源,结果等了3个多月,依然只是API的开放。
有Reddit网友在线发起了提问,为Stability AI寻求赚钱出路,以保证SD3能够顺利放出。
好在在台北电脑展Computex大会上,终于等到了SD3的官宣开源。一些网友纷纷收到了Stability AI邮件,即将开源的SD3 Medium是一个20亿参数的模型。
不过,有人对此质疑道Stability AI愚弄了所有的人,他们开源的是一个名为「SD3 Medium」的模型,其实内部还有Large和X-Large版本还未发布,这才是人们期待的真正的Stable Diffusion 3。
关于更大版本的开源,Stability AI自家员工表示,40亿、80亿参数的版本未来都将会陆续上线。
SD3的诞生已经在图像质量、多个对象、拼写能力方面,都得到了显著提升,让AI生图再创新里程碑。
发布当天,前CEO Emad Mostaqu承诺道,SD3未来将会开源,目前还在测试阶段。
甚至,它还涌现出了对物理世界的理解。
紧接着来到今年3月,Stability AI公布了新模型最详实的技术报告。论文中,首次介绍了Stable Diffusion 3背后核心技术——改进版的Diffusion模型和一个基于DiT的文生图全新架构!
论文地址:https://stabilityai-public-packages.s3.us-west-2.amazonaws.com/Stable+Diffusion+3+Paper.pdf
与之前的版本对比,SD3明显在图像质量生成上,实现了很大的改进,不仅支持多主题提示。
最重要的是,文字拼写的效果也变好了。
这一切竟是因为,其背后框架的改进和创新。它用上了与Sora相似的DiT架构,灵感来源于纽约大学助理教授谢赛宁的研究。
而在以前的Stable Diffusion版本中,并未采用Transformer技术,是更常见的Diffusion架构。
在文生图的任务中,SD3需要同时考虑文本+图像两种模态。
因此,研究者提出了一种全新的架构,称为——MMDiT(多模态Diffusion Transformer),专为处理这种多模态的能力。
具体而言,模型采用了三种不同的文本嵌入模型——两个CLIP模型和一个T5 ,来处理文本信息。
与此同时,还采用了一个自编码模型来编码图像Token。
因为文本和图像嵌入在概念上有很大不同,下图右中可以看出,研究者对两种模态使用了两种不同的权重。
基于这种独特的架构,使得图像和文本信息之间可以相互流动和交互,从而在生成的结果中提高对内容的整体理解和视觉表现。而且,这种架构未来还可以轻松扩展到其他包括视频在内的多种模态。
实验评估中,SD3在人类偏好评估中超越了DALL-E 3和Midjourney V6,成为该领域的SOTA领军模型。
而且,SD3是一个模型系列,提供了8亿到80亿参数版本,意味着可以在终端设备可跑,大大降低了AI应用的门槛。
网友们对此激动不已,纷纷催更他们快速上线。SD3开源倒计时开启,接下来坐等上手了。
近期文章
更多