扩散模型

训练是从破坏开始倒着走的。工程师收集大量图片，给每一张加一点噪声，再加更多，直到只剩下雪花。然后教神经网络去看一张带噪声的图片，在每一种损坏程度下，预测被加进去的噪声是什么。当它能可靠地做到这一点，就可以反方向运行：从纯噪声出发，一步接一步地把它整理成一幅从未存在过的图片。

你的文字引导着这个整理的过程。文本编码器把提示词变成数字，每一步网络都被推向符合这些数字的画面。一个叫做引导强度的设置，决定它多严格地听从你。许多模型是在压缩后的空间里工作，而不是在全尺寸像素上，这让每一步都更省力。名叫 Euler 或 DPM 的采样器，则在速度与平滑度之间做取舍。步数是用时间换细节，还有些模型经过蒸馏，只需寥寥几步就能得到不错的结果，非常快的生成器就是这样出现的。

由此带来两个实际的结果。第一，起始的噪声由种子决定：同样的提示词、设置和种子会再次得到同一幅图，换一个种子就得到一个变体。第二，模型画的是它学到的“合理”，而不是真实，所以文字、手部和拥挤的场景可能出错，措辞也就很重要。典型的成果有插画、产品效果图、概念设计图、纹理和分镜。扩散模型与语言模型是不同种类的工具，后者一个 token 一个 token 地写文字，不过两者常被组合在同一个应用里。

Z-Image Turbo 是 NeverNo 在工作室里设为默认的文生图模型。它是通义的开源模型，所有套餐都包含，免费套餐也在其中，一张典型的 100 万像素图片大约需要 3 秒，这是在我们的图片服务商 Runware 上测得的。等待时间这么短，一次要好几个变体、再改一个词，就成了很自然的工作方式。它通过 NeverNo 自己的图片服务商提供，中间没有外部实验室的审核，你创建的图片加密保存在浏览器里。

在工作室里，你可以写下最多 1,500 个字符的描述，从十五种风格预设中选一种，从八种画幅比例中选一种，每次请求最多要四个变体。图片生成器页面介绍了这种做法：没有随意的拒绝，也没有水印。NeverNo 的硬性界限依然适用，并且在画任何东西之前就会检查：不涉及未成年人，也不生成未经同意的真实、可识别人物的图片。