Stable Diffusion團隊放大招！新繪畫模型直出AI海報，像素級生成
AI畫文字終于能畫對了
夢晨 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
開源AI繪畫扛把子，Stable Diffusion背后公司StabilityAI再放大招！
全新開源模型DeepFloyd IF，一下獲星2千+并登上GitHub熱門榜。
DeepFloyd IF不光圖像質量是照片級的，還解決了文生圖的兩大難題：
準確繪制文字。（霓虹燈招牌上寫著xxx）
以及準確理解空間關系。（一只貓照鏡子看見獅子的倒影）
網(wǎng)友表示，這可是個大事，之前想讓Midjourney v5在霓虹燈招牌上寫個字AI都是瞎劃拉兩筆，對于鏡子理解的也不對。
使用DeepFloyd IF，可以把指定文字巧妙放置在畫面中任何地方。
霓虹燈招牌、街頭涂鴉、服飾、手繪插畫，文字都會以合適的字體、風格、排版出現(xiàn)在合理的地方。
這意味著，AI直出商品渲染圖、海報等實用工作流程又打通一環(huán)。
還在視頻特效上開辟了新方向。
目前DeepFloyd IF以非商用許可開源，不過團隊解釋這是暫時的，獲得足夠的用戶反饋后將轉向更寬松的協(xié)議。
有需求的小伙伴可以抓緊反饋起來了。
像素級圖像生成
DeepFloyd IF仍然基于擴散模型，但與之前的Stable Diffusion相比有兩大不同。
負責理解文字的部分從OpenAI的CLIP換成了谷歌T5-XXL，結合超分辨率模塊中額外的注意力層，獲得更準確的文本理解。
負責生成圖像的部分從潛擴散模型換成了像素級擴散模型。
也就是擴散過程不再作用于表示圖像編碼的潛空間，而是直接作用于像素。
官方還提供了一組DeepFloyd IF與其他AI繪畫模型的直觀對比。
可以看出，使用T5做文本理解的谷歌Parti和英偉達eDiff-1也都可以準確繪制文字，AI不會寫字這事就是CLIP的鍋。
不過英偉達eDiff-1不開源，谷歌的幾個模型更是連個Demo都不給，DeepFloyd IF就成了更實際的選擇。
具體生成圖像上DeepFloyd IF與之前模型一致，語言模型理解文本后先生成64×64分辨率的小圖，再經(jīng)過不同層次的擴散模型和超分辨率模型放大。
在這種架構上，通過把指定圖像縮小回64×64再使用新的提示詞重新執(zhí)行擴散，也實現(xiàn)以圖生圖并調整風格、內容和細節(jié)。
并且不需要對模型做微調就可直接實現(xiàn)。
另外，DeepFloyd IF的優(yōu)勢還在于，IF-4.3B基礎模型是目前擴散模型中U-Net部分有效參數(shù)是最多的。
在實驗中，IF-4.3B取得了最好的FID分數(shù)，并達到SOTA（FID越低代表圖像質量越高、多樣性越好）。
誰是DeepFloyd
DeepFloyd AI Research是StabilityAI旗下的獨立研發(fā)團隊，深受搖滾樂隊平克弗洛伊德影響，自稱為一只“研發(fā)樂隊”。
主要成員只有4人，從姓氏來看均為東歐背景。
這次除了開源代碼外，團隊在HuggingFace上還提供了DeepFloyd IF模型的在線試玩。
我們也試了試，很可惜的是目前對中文還不太支持。
原因可能是其訓練數(shù)據(jù)集LAION-A里面中文內容不多，不過既然開源了，相信在中文數(shù)據(jù)集上訓練好的變體也不會太晚出現(xiàn)。
One More Thing
DeepFloyd IF并不是Stability AI昨晚在開源上的唯一動作
語言模型方面，他們也推出了首個開源并引入RLHF技術的聊天機器人StableVicuna，基于小羊駝Vicuna-13B模型實現(xiàn)。
目前代碼和模型權重已開放下載。
完整的桌面和移動界面也即將發(fā)布。
Deepfloyd IF在線試玩：
https://huggingface.co/spaces/DeepFloyd/IF
代碼：
https://github.com/deep-floyd/IF
StableVicuna在線試玩：
https://huggingface.co/spaces/CarperAI/StableVicuna
權重下載：
https://huggingface.co/CarperAI/stable-vicuna-13b-delta
參考鏈接：
[1]https://deepfloyd.ai/deepfloyd-if
[2]https://stability.ai/blog/deepfloyd-if-text-to-image-model
[3]https://stability.ai/blog/stablevicuna-open-source-rlhf-chatbot
[4]https://stable-diffusion-art.com/how-stable-diffusion-work/
- 字節(jié)突然開源Seed-OSS，512K上下文主流4倍長度，推理能力刷紀錄2025-08-21
- “現(xiàn)在讀AI博士已經(jīng)太晚了”2025-08-19
- 谷歌AI攻克亞洲語言難題，2300種語言數(shù)字化計劃正在推進2025-08-18
- AMD蘇姿豐公開懟扎克伯格！反對1億年薪挖人，使命感比鈔票更重要2025-08-18
相關閱讀
四個00后的瘋狂開源計劃：整個互聯(lián)網(wǎng)轉成大模型語料，1億token嵌入成本只需1美元
Arxiv上所有論文轉成Token，加起來不過14.1GB而已。
超低成本復現(xiàn)QwQ！數(shù)學推理模型訓練迎來RL暴擊，數(shù)據(jù)代碼全開源 | 螞蟻&清華出品
只需200條數(shù)據(jù)
