Диффузионная модель

Обучение начинается с разрушения. Инженеры берут большую коллекцию изображений, добавляют в каждое немного шума, потом ещё, пока не останется сплошной шум. Нейросеть учат смотреть на зашумлённую картинку и предсказывать добавленный шум на каждом уровне зашумления. Когда она делает это надёжно, её можно пустить в обратную сторону: взять чистый шум и шаг за шагом очищать его до изображения, которого никогда не существовало.

Очисткой управляет твой текст. Текстовый кодировщик превращает запрос в числа, и на каждом шаге сеть подталкивается к картинкам, подходящим этим числам. Настройка, называемая guidance, определяет, насколько строго сеть следует твоим словам. Многие модели работают в сжатом пространстве, а не на пикселях полного размера, и это удешевляет каждый шаг. Сэмплеры с названиями вроде Euler или DPM по-разному балансируют скорость и плавность. Чем больше шагов, тем больше деталей и тем дольше ждать, а некоторые модели дистиллируют, чтобы они давали хороший результат за считаные шаги, — так и появились очень быстрые генераторы.

Отсюда две практические особенности. Первая: начальный шум задаётся значением seed — тот же запрос, настройки и seed дают ту же картинку, а новый seed даёт вариацию. Вторая: модель рисует то, что научилась считать правдоподобным, а не то, что истинно, поэтому надписи, руки и людные сцены часто не удаются, а от формулировки многое зависит. Типичные результаты — иллюстрации, макеты изделий, концепт-арт, текстуры и раскадровки. Диффузионная модель — инструмент иного рода, чем языковая модель, которая пишет текст токен за токеном, хотя в одном приложении их часто соединяют.

Z-Image Turbo — модель «текст в изображение», которая стоит в Студии NeverNo по умолчанию. Это открытая модель от Tongyi, включённая во все тарифы, в том числе в бесплатный, и типичное изображение в 1 мегапиксель создаётся примерно за 3 секунды — по нашим замерам на Runware, поставщике изображений NeverNo. Ждать так мало, что удобно просить несколько вариантов и менять по слову. Она работает через собственного поставщика изображений NeverNo, без модерации сторонней лаборатории, а созданные изображения хранятся зашифрованными в твоём браузере.

В Студии ты пишешь описание до 1 500 символов, выбираешь один из пятнадцати стилей и одно из восьми соотношений сторон и просишь до четырёх вариантов за запрос. Страница о генераторе изображений описывает подход: никаких произвольных отказов и никакого водяного знака. Жёсткие границы NeverNo остаются в силе и проверяются до того, как что-либо будет нарисовано: ничего, что касается несовершеннолетних, и никаких изображений реальных узнаваемых людей без их согласия.