概要

Stable Diffusion 3.5 Largeは、Stability AIが2024年6月にリリースしたフラッグシップのマルチモーダルテキストから画像へのモデルです。81億ものパラメータを備え、新しいMultimodal Diffusion Transformer（MMDiT）アーキテクチャを基盤とし、比類なき画像の忠実度、多様なスタイル、プロンプトの正確さを実現します。SD 3.5 Largeは、創造的かつプロフェッショナルな用途における新たなベンチマークとなり、従来バージョンや他の多くの生成AI競合モデルを凌駕します。

主な技術革新

• モデルサイズ: 81億パラメータによる、より豊かな表現力と細部の描写。
• アーキテクチャ: MMDiT（Multimodal Diffusion Transformer）を採用。テキストと画像の整合性および生成における最先端技術を統合。
• 学習データ: 高品質かつ多様なマルチモーダルデータセットで学習し、多様性と堅牢性を強化。
• 画像品質: 非常に詳細で写実的、一貫性のある画像を生成。複雑なシーンや顔の特徴、ライティングも向上。
• タイポグラフィ・文字描画: 画像内の読みやすく正確なテキスト生成機能が大幅に向上。
• プロンプト遵守: ニュアンスを理解し、ユーザーの意図を忠実に再現。
• 多様なスタイル: 写実、イラスト、ファンタジー、コンセプトアートなど幅広いスタイルに対応。

以前のバージョンとの比較

競合モデルとの性能比較

Stable Diffusion 3.5 Largeは、Midjourney v6やDALL·E 3などのモデルと直接競合するよう設計されています。独立したベンチマークやユーザー評価において、SD 3.5 Largeは以下を実現しています。

• より高いプロンプト精度とディテールの保持。
• 人体、顔、手の一貫した描写。
• 生成画像内の埋め込みテキストやロゴの表現力向上。
• 芸術的・写実的な幅広いスタイルへの高い柔軟性。

例：Hugging Face DiffusersでStable Diffusion 3.5 Largeを利用

Pythonでdiffusersライブラリを使う場合：

from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
    "stabilityai/stable-diffusion-3.5-large",
    torch_dtype="float16",
    variant="fp16"
)
pipeline.to("cuda")

prompt = "A futuristic cityscape at sunset, ultra high resolution, photorealistic"
result = pipeline(prompt)
result.images[0].save("sd35_large_sample.png")

注意: Hugging Faceで本モデルを利用するには、特定のライセンス規約への同意が必要な場合があります。

主な用途

• 創造的なコンテンツ生成（アート、イラスト、デザイン）
• 商用広告やマーケティング用ビジュアル
• コンセプトアートやストーリーボードの迅速なプロトタイピング
• 科学・教育分野のビジュアライゼーション
• AIによるコミックや書籍イラストの支援

セーフティと責任ある利用

Stability AIは、不適切または有害なコンテンツの生成を最小限に抑えるため、高度なセーフティフィルターと整合性評価を実装しています。ユーザーは、モデルカードを確認の上、SD 3.5 Largeを公共または商用プロジェクトで利用する際は倫理規範を遵守してください。

詳細は、公式リリース発表やHuggingFaceモデルページをご覧ください。