stabilityai/stable-diffusion-3.5-large

stabilityai
Texto a imagen

Stable Diffusion 3.5 Large es un modelo generativo de texto a imagen de Stability AI basado en Multimodal Diffusion Transformer (MMDiT). Genera imágenes a partir de prompts de texto y está orientado a mejorar la calidad visual, la tipografía, la comprensión de prompts complejos y la eficiencia de recursos. Usa tres codificadores de texto preentrenados fijos y QK-normalization para mejorar la estabilidad del entrenamiento.

Como usar

Instalación y ejecución básica con Diffusers:

pip install -U diffusers
import torch
from diffusers import StableDiffusion3Pipeline

pipe = StableDiffusion3Pipeline.from_pretrained("stabilityai/stable-diffusion-3.5-large", torch_dtype=torch.bfloat16)
pipe = pipe.to("cuda")

image = pipe(
    "A capybara holding a sign that reads Hello World",
    num_inference_steps=28,
    guidance_scale=3.5,
).images[0]
image.save("capybara.png")

Cuantización para reducir el uso de VRAM:

pip install bitsandbytes
from diffusers import BitsAndBytesConfig, SD3Transformer2DModel
from diffusers import StableDiffusion3Pipeline
import torch

model_id = "stabilityai/stable-diffusion-3.5-large"

nf4_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16
)

model_nf4 = SD3Transformer2DModel.from_pretrained(
    model_id,
    subfolder="transformer",
    quantization_config=nf4_config,
    torch_dtype=torch.bfloat16
)

pipeline = StableDiffusion3Pipeline.from_pretrained(
    model_id,
    transformer=model_nf4,
    torch_dtype=torch.bfloat16
)
pipeline.enable_model_cpu_offload()

prompt = "A whimsical and creative image depicting a hybrid creature that is a mix of a waffle and a hippopotamus, basking in a river of melted butter amidst a breakfast-themed landscape. It features the distinctive, bulky body shape of a hippo. However, instead of the usual grey skin, the creature's body resembles a golden-brown, crispy waffle fresh off the griddle. The skin is textured with the familiar grid pattern of a waffle, each square filled with a glistening sheen of syrup. The environment combines the natural habitat of a hippo with elements of a breakfast table setting, a river of warm, melted butter, with oversized utensils or plates peeking out from the lush, pancake-like foliage in the background, a towering pepper mill standing in for a tree. As the sun rises in this fantastical world, it casts a warm, buttery glow over the scene. The creature, content in its butter river, lets out a yawn. Nearby, a flock of birds take flight"

image = pipeline(
    prompt=prompt,
    num_inference_steps=28,
    guidance_scale=4.5,
    max_sequence_length=512,
).images[0]
image.save("whimsical.png")

Funcionalidades

Modelo MMDiT generativo de texto a imagen.
Mejoras específicas en calidad de imagen, tipografía y seguimiento de prompts complejos.
Arquitectura con QK-normalization para aumentar la estabilidad durante el entrenamiento.
Usa codificadores de texto OpenCLIP-ViT/G, CLIP-ViT/L y T5-xxl.
Compatible con Diffusers mediante StableDiffusion3Pipeline.
Incluye pesos en formato Safetensors y estructura preparada para integración con Diffusers.
Admite cuantización con bitsandbytes para reducir el uso de VRAM en GPUs con menos memoria.
Entrenado con una mezcla amplia de datos, incluidos datos sintéticos y datos públicos filtrados.
Licencia Stability AI Community License: gratuita para investigación, uso no comercial y uso comercial si la organización o persona tiene menos de 1 millón de dólares de ingresos anuales totales.

Casos de uso

Generación de obras de arte a partir de descripciones textuales.
Procesos de diseño visual y exploración artística.
Herramientas educativas o creativas que necesiten generación de imágenes.
Investigación sobre modelos generativos y sus limitaciones.
Inferencia local o autoalojada mediante ComfyUI, Diffusers o implementaciones programáticas.
Despliegue mediante proveedores o APIs como Stability AI API, Replicate, Deepinfra o fal.