Modelo de difusão

O treinamento funciona de trás para a frente, a partir da destruição. Engenheiros pegam uma grande coleção de imagens, acrescentam um pouco de ruído a cada uma, depois mais, até restar só chuvisco. Uma rede neural é então ensinada a olhar uma imagem ruidosa e prever o ruído que foi acrescentado, em cada nível de dano. Quando faz isso com segurança, ela pode correr no sentido oposto: começar de ruído puro e limpá-lo, um passo depois do outro, até chegar a uma imagem que nunca existiu.

Seu texto conduz essa limpeza. Um codificador de texto transforma o prompt em números, e a cada passo a rede é empurrada na direção de imagens que combinam com esses números. Um ajuste chamado guidance (orientação) decide com que rigor ela segue você. Muitos modelos trabalham num espaço comprimido, e não sobre pixels em tamanho real, o que deixa cada passo mais barato. Amostradores com nomes como Euler ou DPM trocam velocidade por suavidade. O número de passos troca tempo por detalhe, e alguns modelos são destilados para chegar a um bom resultado em poucos passos, que é como existem geradores muito rápidos.

Duas consequências práticas decorrem disso. Primeira, o ruído inicial é escolhido por uma seed: o mesmo prompt, os mesmos ajustes e a mesma seed geram a mesma imagem de novo, e uma seed nova gera uma variação. Segunda, o modelo desenha o que aprendeu ser plausível, não o que é verdadeiro, então letras, mãos e cenas cheias de gente podem sair erradas e a redação do pedido importa. Resultados típicos são ilustrações, protótipos de produto, arte conceitual, texturas e storyboards. Um modelo de difusão é um tipo de ferramenta diferente de um modelo de linguagem, que escreve texto um token por vez, embora os dois sejam muitas vezes combinados num mesmo aplicativo.

O Z-Image Turbo é o modelo de texto para imagem que o NeverNo define como padrão no Studio. É um modelo aberto da Tongyi, incluído em todos os planos, inclusive no gratuito, e uma imagem típica de 1 megapixel leva cerca de 3 segundos, medidos na Runware, nosso provedor de imagens. Como a espera é tão curta, pedir várias variantes e ajustar uma palavra é um jeito natural de trabalhar. Ele é servido pelo provedor de imagens do próprio NeverNo, sem a moderação de um laboratório externo no meio, e as imagens que você cria ficam guardadas criptografadas no seu navegador.

No Studio, você escreve uma descrição de até 1.500 caracteres, escolhe um entre quinze estilos predefinidos e uma entre oito proporções de tela, e pede até quatro variantes por requisição. A página do gerador de imagens descreve a abordagem: sem recusas arbitrárias e sem marca d’água. Os limites firmes do NeverNo continuam valendo e são verificados antes de qualquer coisa ser desenhada: nada que envolva menores e nenhuma imagem de pessoas reais identificáveis sem consentimento.