AI生图格局大震!Stable Diffusion 3开源倒计时,2B单机可跑碾压闭源Midjourney
重磅消息!Stable Diffusion3,大概率会在明天开源。距离2月SD3的横空出世,已经过去了4个月。如果此事为真,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 Diffusion3,终于要正式开源了!
几天前,在Computex2024大会上,Stability AI联合首席执行官Christian Laforte正式官宣:SD3Medium将在6月12日公开发布。
据悉,之后还会开源4B和8B的版本。
![](https://i.zz5.net/images/article/2024/06/12/160309823.jpg)
消息一出,网友们就激动地奔走相告。
![](https://i.zz5.net/images/article/2024/06/12/160309839.jpg)
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。
![](https://i.zz5.net/images/article/2024/06/12/160309870.jpg)
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!
![](https://i.zz5.net/images/article/2024/06/12/160309886.jpg)
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。
![](https://i.zz5.net/images/article/2024/06/12/160309887.jpg)
网友们纷纷搬好板凳,坐等SD3的权重发布了。
![](https://i.zz5.net/images/article/2024/06/12/160309901.jpg)
![](https://i.zz5.net/images/article/2024/06/12/160309917.jpg)
欠债1亿的独角兽,仍坚持做开源英雄?
两个月前,Stable Diffusion3一横空出世,立刻在人类偏好评估中斩下DALL-E3和Midjourney v6,一举成为该领域的SOTA。
![](https://i.zz5.net/images/article/2024/06/12/160309932.jpg)
因为攻克了AI图像生成领域著名的「正确性」测试,SD3一时名声大噪,引发了极大热度。
![](https://i.zz5.net/images/article/2024/06/12/160309963.jpg)
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。
![](https://i.zz5.net/images/article/2024/06/12/160309964.jpg)
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。
将对开源社区影响重大
Stable Diffusion3的开源,为何意义如此重大?
在reddit的StableDiffusion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。
![](https://i.zz5.net/images/article/2024/06/12/160309995.jpg)
作者表示,自己希望能让外行人都明白,为何Stable Diffusion3如此重要。
![](https://i.zz5.net/images/article/2024/06/12/160310026.jpg)
曾经Stable Diffusion的开源,就改变了游戏规则
VAE是无名英雄
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。
![](https://i.zz5.net/images/article/2024/06/12/160310042.jpg)
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:
![](https://i.zz5.net/images/article/2024/06/12/160310057.jpg)
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。
![](https://i.zz5.net/images/article/2024/06/12/160310058.jpg)
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
![](https://i.zz5.net/images/article/2024/06/12/160310073.jpg)
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。
我们不需要训练/微调文本编码器了
众所周知,训练文本编码器可以提升基于SD1.X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!
![](https://i.zz5.net/images/article/2024/06/12/160310090.jpg)
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。
![](https://i.zz5.net/images/article/2024/06/12/160310104.jpg)
加速新的AI研究
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。
![](https://i.zz5.net/images/article/2024/06/12/160310120.jpg)
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。
旧方法更加完善
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。
![](https://i.zz5.net/images/article/2024/06/12/160310166.jpg)
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!
![](https://i.zz5.net/images/article/2024/06/12/160310216.jpg)
CEO「跑路」,开源成谜
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也紧跟辞职,退出了董事会。
![](https://i.zz5.net/images/article/2024/06/12/160310245.jpg)
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一手酿成的。
![](https://i.zz5.net/images/article/2024/06/12/160310260.jpg)
彭博对20位现任前任员工、投资者等采访了解到,Emad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。
![](https://i.zz5.net/images/article/2024/06/12/160310276.jpg)
Emad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, 在23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是个「骗子」。
他指控,在公司进行重大融资几个月前,Emad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。
![](https://i.zz5.net/images/article/2024/06/12/160310307.jpg)
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,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。
![](https://i.zz5.net/images/article/2024/06/12/160310323.jpg)
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。
![](https://i.zz5.net/images/article/2024/06/12/160310338.jpg)
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。
![](https://i.zz5.net/images/article/2024/06/12/160310354.jpg)
20亿参数版本先上线
好在,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SD3Medium是一个20亿参数的模型。
![](https://i.zz5.net/images/article/2024/06/12/160310401.jpg)
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『SD3Medium』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SD3」。
![](https://i.zz5.net/images/article/2024/06/12/160310416.jpg)
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。
![](https://i.zz5.net/images/article/2024/06/12/160310432.jpg)
Stable Diffusion3技术回顾
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。
![](https://i.zz5.net/images/article/2024/06/12/160310448.jpg)
发布当天,前CEO Emad承诺道,SD3未来将会开源,目前还在测试阶段。
![](https://i.zz5.net/images/article/2024/06/12/160310464.jpg)
甚至,它还涌现出了对物理世界的理解。
紧接着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 Diffusion3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!
![](https://i.zz5.net/images/article/2024/06/12/160310511.jpg)
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。
![](https://i.zz5.net/images/article/2024/06/12/160310526.jpg)
这一切竟是因为,其背后框架的改进和创新。
它用上了与Sora同样的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。
![](https://i.zz5.net/images/article/2024/06/12/160310573.jpg)
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。
![](https://i.zz5.net/images/article/2024/06/12/160310588.jpg)
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-E3和Midjourney v6,成为该领域的SOTA模型。
![](https://i.zz5.net/images/article/2024/06/12/160310604.jpg)
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。
![](https://i.zz5.net/images/article/2024/06/12/160310635.jpg)
参考资料:
https://x.com/op7418/status/1800455685068771643
https://x.com/StabilityAI/status/1797462536117444794
https://www.reddit.com/r/StableDiffusion/comments/1d6t0gc/sd3_release_on_june_12/
https://www.reddit.com/r/StableDiffusion/comments/1dcuval/comment/l80v9an/?utm_source=share&utm_medium=web3x&utm_name=web3xcss&utm_term=1&utm_content=share_button
B站UP主在抖音:有人粉丝2000多万、带货销量超10万,仍缓解不了变现焦虑
近日,因UP主发起“停更潮”而被推上风口浪尖的的B站,有了新动作。近日,B站在官方直播带货群中宣布,旗下的UP主合作平台花火于4月17日开放直播带货商单下单功能,完成直播带货报价的UP主可以使用该功能,为UP主的商业化增加了新的渠道。一直以来,B站的商业化和UP主变现难题一直是大众关注的焦点。新播场发现,许是为了寻求更多变现方式,有许多UP主也在抖音开通账号,甚至开通橱窗、进行带货。站长网2023-04-20 09:04:270002阿里巴巴大涨超7% 马云大幅增持阿里股票
站长之家(ChinaZ.com)1月24日消息:1月23日,阿里巴巴股价在美股市场收盘时上涨7.85%,达到74.02美元。这一涨幅引发市场广泛关注。此前,有市场消息透露,阿里巴巴集团创始人马云和蔡崇信近期大幅增持了阿里巴巴的股票。阿里巴巴方面表示,马云和蔡崇信的增持行为充分体现了他们对公司前景的看好,以及对公司未来发展、管理团队和战略方向的坚定信心。站长网2024-01-24 09:59:010000董宇辉称不方便回应东方甄选二选一
近日,有媒体报道称,东方甄选内部流出的一份聊天记录显示,俞敏洪目前面临要保CEO孙东旭还是要保主播董宇辉的二选一的处境。这一消息引发了广泛关注。据语音转文字的截图提到,“宇辉回不去东方甄选了”。针对这一消息,董宇辉本人回应称不方便回应。此外,关于所谓“小作文”的来源也引发了争议。究竟是董宇辉所写,还是东方甄选小编所写?这一问题引发了董宇辉粉丝、东方甄选小编以及公司的多方论战。0000巨人网络董事长史玉柱:短期内能看到 AI 经济效益的只有游戏领域
巨人集团创始人史玉柱现身公司在无锡市滨湖区拈花湾小镇举办的2023征途嘉年华。史玉柱现场发表演讲,谈及对《原始征途》下一步研发规划、AI(人工智能)、脑白金、元宇宙等话题。站长网2023-06-12 16:57:380000东方甄选带货57亿营收28亿 薪酬开支大增168%
站长之家(ChinaZ.com)1月25日消息:东方甄选公布了2024财年的中期业绩报告。报告显示,在2023年6月1日至11月30日的六个月内,公司总收入约为28亿元,同比增长34.4%。然而,调整后的净利润为5.09亿元,同比下降约15.4%。东方甄选在此期间的直播带货GMV达到了57亿元,相比2022年同期增长了约19%。这一增长主要得益于公司在各个销售渠道的出色表现,尤其是抖音平台。站长网2024-01-25 14:20:540000