Stable Diffusion 1.4
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle sont open, mais aucun compte de paramètres n'a été publié pour celui-ci. Chaque chiffre de mémoire et de vitesse commence à partir de ce nombre, donc nous préférerions ne rien montrer plutôt qu'une estimation fabriquée..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Ludwig Maximilian University of Munich
- Type d'organisation
- Academia
- Pays
- Germany
- Publié
- 22 August 2022
- Auteurs
- Robin Rombach, Patrick Esser
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Image generation
- Tâche
- Image generation, Text-to-image
- Modèle de base
- Stable Diffusion 1.2
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- Données d'entraînement
- 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
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 5 × 10²² FLOP
- Comment cela a été établi
- 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
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA A100 PCIe
- Chips utilisés
- 256
- Consommation d'énergie
- 153.9 kW
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Open — downloadable
- Accès au modèle
- Open weights (restricted use)
- Code d'entraînement
- 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
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Stable Diffusion v1-4 Model Card
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
D'où cela vient-il
Stable Diffusion 1.4 a été publié par Ludwig Maximilian University of Munich, dans le pays enregistré comme Germany, durant August 2022. La catégorie à laquelle appartient l'éditeur est academia.
Il fonctionne dans le domaine de Image generation, et est enregistré comme exécutant la tâche de image generation, Text-to-image.
Plutôt que d'être entraîné depuis le début, il est dérivé de Stable Diffusion 1.2. C'est pourquoi il partage la forme et la taille générales du modèle de base.
Parce que ses poids ont été publiés, rien sur son exécution ne dépend d'un fournisseur restant disponible — il est à vous une fois téléchargé. Sur Hugging Face, il est publié sous l'organisation CompVis.
Entraînement et provenance
La production a nécessité des calculs totalisant environ 5 × 10²² FLOP, sur matériel enregistré comme NVIDIA A100 PCIe. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
Stable Diffusion 1.4 — questions courantes
Stable Diffusion 1.4— est-ce que c'est open source ?
Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.
Stable Diffusion 1.4— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
Stable Diffusion 1.4— qui l'a créé ?
Il a été publié par Ludwig Maximilian University of Munich, basé sur Germany, une organisation catégorisée comme academia.
Stable Diffusion 1.4— quand a-t-il été publié ?
Il a été publié dans August 2022. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
Stable Diffusion 1.4— à quoi ça sert ?
Il fonctionne dans le domaine de Image generation, et est enregistré comme gérant la tâche de image generation, Text-to-image. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
Stable Diffusion 1.4— où puis-je le télécharger ?
Ses poids sont publiés sur Hugging Face, sous l'organisation CompVis. Nous n'hébergeons pas de fichiers de modèle — ce site calcule le matériel nécessaire pour les faire fonctionner.
Stable Diffusion 1.4— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 5 × 10²² FLOP, sur matériel enregistré comme NVIDIA A100 PCIe. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
Stable Diffusion 1.4— Quelle GPU ai-je besoin pour l'exécuter ?
Nous ne pouvons pas dire. Il a des poids ouverts, mais aucun compte de paramètres n'a été publié pour cela, et chaque calcul de mémoire et de vitesse part de ce nombre. Nous préférerions ne rien montrer plutôt qu'une estimation fabriquée.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.