stability-ai/stable-diffusion-3

ข้อกำหนดทางเทคนิคของ stability-ai/stable-diffusion-3

stability-ai/stable-diffusion-3 คืออะไร?

stability-ai/stable-diffusion-3 คือรหัสระบุแพลตฟอร์มของ CometAPI สำหรับตระกูลโมเดล Stable Diffusion 3 จาก Stability AI ซึ่งเป็นระบบสร้างภาพจากข้อความที่ออกแบบมาเพื่อสร้างภาพจากพรอมป์ภาษาธรรมชาติ ในเอกสารทางการ Stability AI อธิบายว่า Stable Diffusion 3 Medium เป็นรุ่นโอเพ่นในซีรีส์ SD3 และเน้นความก้าวหน้าในด้านคุณภาพของภาพ การยึดตามพรอมป์ ไทโปกราฟี และประสิทธิภาพ

ในเชิงเทคนิค Stable Diffusion 3 หมายถึงการเปลี่ยนผ่านจากดีไซน์ Stable Diffusion แบบเดิมที่อาศัย U-Net ไปสู่สถาปัตยกรรม Multimodal Diffusion Transformer โมเดลการ์ดของ SD3 Medium ที่เผยแพร่ระบุว่าใช้ตัวเข้ารหัสข้อความที่พรีเทรนไว้คงที่จำนวนสามตัว—OpenCLIP-ViT/G, CLIP-ViT/L และ T5-XXL—เพื่อถอดความหมายของพรอมป์ได้ดีขึ้นและเพิ่มความเที่ยงตรงของการสร้าง โดยเฉพาะสำหรับการแสดงข้อความในภาพและคำอธิบายฉากที่ซับซ้อนมากขึ้น

สำหรับนักพัฒนา สิ่งนี้หมายความว่า stability-ai/stable-diffusion-3 ควรเข้าใจว่าเป็นเอ็นด์พอยต์สร้างภาพสมัยใหม่ที่เหมาะกับงานครีเอทีฟ เวิร์กโฟลว์ด้านดีไซน์ งานวิจัย การทำต้นแบบ และผลิตภัณฑ์ที่ต้องการความเข้าใจพรอมป์ที่แข็งแรงกว่ารุ่น Stable Diffusion ก่อนหน้า โดยขึ้นกับวิธีการดีพลอย สามารถเข้าถึงได้ผ่าน API แบบโฮสต์หรือเครื่องมือแบบโฮสต์เองที่สร้างบนชุดน้ำหนักอย่างเป็นทางการและสแตกอินเฟอเรนซ์ที่เข้ากันได้

คุณสมบัติหลักของ stability-ai/stable-diffusion-3

• การสร้างภาพด้วยทรานส์ฟอร์เมอร์ขั้นสูง: Stable Diffusion 3 ใช้สถาปัตยกรรม Multimodal Diffusion Transformer (MMDiT) แทนแนวทาง U-Net แบบเดิม สะท้อนการอัปเดตสถาปัตยกรรมครั้งใหญ่ในสายผลิตภัณฑ์ Stable Diffusion
• ความเข้าใจพรอมป์ที่ดีขึ้น: โมเดลถูกออกแบบให้รองรับคำสั่งข้อความที่ซับซ้อนมากขึ้นด้วยการจัดแนวเชิงความหมายที่ดีขึ้น ช่วยให้สร้างฉากที่สอดคล้องกับเจตนาผู้ใช้มากกว่าเดิม
• ไทโปกราฟีและการเรนเดอร์ข้อความที่ดียิ่งขึ้น: หนึ่งในจุดเด่นของ SD3 คือการสร้างข้อความในภาพที่แข็งแรง เหมาะกับโปสเตอร์ ป้าย ม็อกอัป และงานครีเอทีฟที่มีแบรนด์
• ผลลัพธ์ภาพคุณภาพสูง: Stability AI วางตำแหน่ง SD3 Medium เป็นโมเดลสร้างภาพจากข้อความแบบเปิดที่ก้าวหน้าที่สุด ณ เวลาปล่อย โดยเน้นคุณภาพภาพและความงาม
• ประสิทธิภาพการใช้ทรัพยากร: โมเดลมีขนาดเล็กลงและเหมาะกับพีซีผู้บริโภค แล็ปท็อป และ GPU ระดับองค์กร ทำให้ใช้งานได้จริงกว่ารุ่นภาพขนาดใหญ่ในหลายเวิร์กโฟลว์
• หลายช่องทางการเข้าถึง: เข้าถึงได้ผ่าน API แบบโฮสต์ รวมถึงดาวน์โหลดน้ำหนักและอินทิเกรตผ่านเครื่องมือต่างๆ เช่น ComfyUI และไปป์ไลน์ที่เข้ากันได้กับ Diffusers
• ความยืดหยุ่นสำหรับงานเชิงพาณิชย์และงานวิจัย: สัญญาอนุญาตแบบ Community อนุญาตการวิจัย การใช้งานไม่เชิงพาณิชย์ และการใช้งานเชิงพาณิชย์ภายใต้เกณฑ์รายได้ที่ระบุ ขณะที่การใช้งานเชิงพาณิชย์ขนาดใหญ่จำเป็นต้องมีสัญญาอนุญาตระดับองค์กร
• ระบบนิเวศที่สนับสนุนนักพัฒนา: แพ็กเกจทางการ ชุดตัวเข้ารหัสข้อความ ตัวอย่างเวิร์กโฟลว์ และการรองรับ Diffusers ช่วยให้ง่ายต่อการประเมิน ปรับแต่ง และผสานในสภาพแวดล้อมการผลิต

วิธีเข้าถึงและผสาน stability-ai/stable-diffusion-3

ขั้นตอนที่ 1: สมัครเพื่อรับ API Key

สมัครใช้งานบน CometAPI และสร้าง API key จากแดชบอร์ด จากนั้นจัดเก็บให้ปลอดภัยเป็นตัวแปรสภาพแวดล้อมเพื่อให้แอปพลิเคชันของคุณสามารถยืนยันตัวตนเมื่อเรียกใช้งาน API ได้

ขั้นตอนที่ 2: ส่งคำขอไปยัง API ของ stability-ai/stable-diffusion-3

ใช้ปลายทาง CometAPI ที่เข้ากันได้กับ OpenAI และระบุโมเดลเป็น stability-ai/stable-diffusion-3.

curl https://api.cometapi.com/v1/images/generations \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_API_KEY" \
  -d '{
    "model": "stability-ai/stable-diffusion-3",
    "prompt": "A cinematic futuristic city skyline at sunset, ultra detailed, volumetric lighting"
  }'

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_COMETAPI_API_KEY",
    base_url="https://api.cometapi.com/v1"
)

response = client.images.generate(
    model="stability-ai/stable-diffusion-3",
    prompt="A cinematic futuristic city skyline at sunset, ultra detailed, volumetric lighting"
)

print(response)

ขั้นตอนที่ 3: ดึงผลลัพธ์และตรวจสอบความถูกต้อง

ทำการพาร์สเพย์โหลดผลลัพธ์ที่สร้างขึ้น ดึง URL ของภาพหรือเนื้อหาแบบ base64 ที่ส่งกลับมา และตรวจสอบให้แน่ใจว่าผลลัพธ์สอดคล้องกับพรอมป์ สไตล์ ขนาด และข้อกำหนดด้านความปลอดภัยก่อนนำไปใช้ในแอปพลิเคชันของคุณ