Stable Diffusion 1.4
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos de este modelo son OPEN WEIGHT, pero no se ha publicado ninguna cuenta de parámetros para él. Cada figura de MEMORY y velocidad comienza a partir de ese número, así que preferiríamos no mostrar nada que una estimación fabricada..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Ludwig Maximilian University of Munich
- Tipo de Organización
- Academia
- País
- Germany
- Publicado
- 22 August 2022
- Autores
- Robin Rombach, Patrick Esser
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Image generation
- Tarea
- Image generation, Text-to-image
- Modelo base
- Stable Diffusion 1.2
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- tokens
225k steps at 512x512 on "laion-aesthetics v2 5+", with 10% dropping of text conditioning. Batch: 32 x 8 x 2 x 4 = 2048
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 5 × 10²² FLOP
- Cómo se estableció
- Hardware
312000000000000 FLOP / GPU / sec * 150000 GPU-hours * 3600 sec / hour * 0.3 [assumed utilization] = 5.0544e+22 FLOP https://github.com/CompVis/stable-diffusion/blob/main/Stable_Diffusion_v1_Model_Card.md
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA A100 PCIe
- Chips utilizados
- 256
- Consumo de energía
- 153.9 kW
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Open — downloadable
- Acceso al modelo
- Open weights (restricted use)
- Código de entrenamiento
- Open (restricted use)
- Hugging Face
- CompVis
OpenRAIL license for weights https://huggingface.co/CompVis/stable-diffusion-v1-4 "The Responsible AI License allows users to take advantage of the model in a wide range of settings (including free use and redistribution) as long as they respect the specific use case restrictions outlined, which correspond to model applications the licensor deems ill-suited for the model or are likely to cause harm" Open RAIL-M license https://github.com/CompVis/stable-diffusion
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Stable Diffusion v1-4 Model Card
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
Stable Diffusion 1.4 fue publicado por Ludwig Maximilian University of Munich, en el país registrado como Germany, durante August 2022. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Image generation, y se registra como realizando la tarea de image generation, Text-to-image.
En lugar de ser entrenado desde cero, se deriva de Stable Diffusion 1.2. Por eso comparte la forma y el tamaño general del modelo base.
Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado. En Hugging Face está publicado bajo la organización CompVis.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 5 × 10²² FLOP, en hardware registrado como NVIDIA A100 PCIe. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
Stable Diffusion 1.4 — preguntas comunes
Stable Diffusion 1.4— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
Stable Diffusion 1.4— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
Stable Diffusion 1.4— ¿Quién lo creó?
Fue publicado por Ludwig Maximilian University of Munich, basado en Germany, una organización categorizada como academia.
Stable Diffusion 1.4— ¿cuándo fue lanzado?
Se publicó en August 2022. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Stable Diffusion 1.4— ¿Para qué se utiliza?
Funciona en el dominio de Image generation, y se registra como manejando la tarea de image generation, Text-to-image. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
Stable Diffusion 1.4— ¿Dónde puedo descargarlo?
Sus pesos están publicados en Hugging Face, bajo la organización CompVis. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.
Stable Diffusion 1.4— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5 × 10²² FLOP, en hardware registrado como NVIDIA A100 PCIe. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Stable Diffusion 1.4— ¿Qué GPU necesito para ejecutarlo?
No podemos decir. Tiene pesos abiertos, pero no se ha publicado ningún conteo de parámetros para él, y todos los cálculos de memoria y velocidad comienzan desde ese número. Preferiríamos no mostrar nada que una estimación fabricada.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.