Diffusionsmodell

Das Training setzt bei der Zerstörung an und arbeitet rückwärts. Ingenieure nehmen eine große Bildersammlung, geben jedem Bild ein wenig Rauschen hinzu, dann mehr, bis nur noch Bildrauschen übrig ist. Ein neuronales Netz lernt dann, ein verrauschtes Bild anzusehen und das hinzugefügte Rauschen vorherzusagen, bei jedem Schädigungsgrad. Kann es das zuverlässig, lässt es sich in die Gegenrichtung betreiben: mit reinem Rauschen beginnen und es Schritt um Schritt zu einem Bild aufräumen, das es nie gab.

Dein Text lenkt dieses Aufräumen. Ein Textencoder wandelt den Prompt in Zahlen um, und bei jedem Schritt wird das Netz zu Bildern geschoben, die zu diesen Zahlen passen. Eine Einstellung namens Guidance bestimmt, wie streng es dir folgt. Viele Modelle arbeiten in einem komprimierten Raum statt auf Pixeln voller Größe, was jeden Schritt billiger macht. Sampler mit Namen wie Euler oder DPM tauschen Tempo gegen Glätte. Die Zahl der Schritte tauscht Zeit gegen Detail, und manche Modelle sind destilliert, sodass sie schon nach wenigen Schritten ein gutes Ergebnis liefern; so entstehen sehr schnelle Generatoren.

Daraus folgen zwei praktische Dinge. Erstens wird das Start-Rauschen durch einen Seed festgelegt: Gleicher Prompt, gleiche Einstellungen und gleicher Seed ergeben wieder dasselbe Bild, ein neuer Seed eine Variante. Zweitens zeichnet das Modell, was es als plausibel gelernt hat, nicht was wahr ist; Schrift, Hände und volle Szenen können misslingen, und die Wortwahl zählt. Typische Ergebnisse sind Illustrationen, Produktentwürfe, Konzeptzeichnungen, Texturen und Storyboards. Ein Diffusionsmodell ist ein anderes Werkzeug als ein Sprachmodell, das Text Token für Token schreibt, auch wenn beide oft in einer App zusammenarbeiten.

Z-Image Turbo ist das Text-zu-Bild-Modell, das NeverNo im Studio als Standard setzt. Es ist ein offenes Modell von Tongyi, in jedem Tarif enthalten, auch im kostenlosen Tarif, und ein typisches Bild mit 1 Megapixel braucht etwa 3 Sekunden, gemessen bei Runware, unserem Bildanbieter. Weil die Wartezeit so kurz ist, bietet es sich an, mehrere Varianten zu verlangen und ein Wort zu justieren. Es läuft über den eigenen Bildanbieter von NeverNo, ohne die Moderation eines fremden Labors dazwischen, und die Bilder, die du erstellst, liegen verschlüsselt in deinem Browser.

Im Studio schreibst du eine Beschreibung von bis zu 1.500 Zeichen, wählst eine von fünfzehn Stilvorgaben und eines von acht Seitenverhältnissen und bekommst bis zu vier Varianten pro Anfrage. Die Seite zum Bildgenerator beschreibt den Ansatz: keine willkürlichen Ablehnungen und kein Wasserzeichen. Die festen Grenzen von NeverNo gelten weiterhin und werden geprüft, bevor etwas gezeichnet wird: nichts mit Minderjährigen und keine Bilder realer, erkennbarer Personen ohne deren Einwilligung.